diff --git a/README.md b/README.md
index 75f506dae416e41234c20691c7a381a9e1e21b4a..e7c968aacbbf3f756683e0843579f740a9cbf2f5 100644
--- a/README.md
+++ b/README.md
@@ -10,12 +10,6 @@
 * [ApacheCN 机器学习交流群 629470233](http://shang.qq.com/wpa/qunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef)
 * [ApacheCN 学习资源](http://www.apachecn.org/)
 
-## 贡献指南
-
-项目当前处于翻译阶段，请查看[贡献指南](CONTRIBUTING.md)，并在[整体进度](https://github.com/apachecn/seaborn-doc-zh/issues/1)中领取任务。
-
-> 请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）
-
 ## 联系方式
 
 ### 负责人
@@ -24,7 +18,6 @@
 
 ### 其他
 
-*   认领翻译和项目进度-地址: <https://github.com/apachecn/seaborn-doc-zh/issues/1>
 *   在我们的 [apachecn/seaborn-doc-zh](https://github.com/apachecn/seaborn-doc-zh) github 上提 issue.
 *   发邮件到 Email: `apachecn@163.com`.
 *   在我们的 [组织学习交流群](http://www.apachecn.org/organization/348.html) 中联系群主/管理员即可.
diff --git a/SUMMARY.md b/SUMMARY.md
index 5f97a0157127b772a91a8727379e35a5631a32df..389407001699a9e1d524173e6f7c7e91d7660d0d 100644
--- a/SUMMARY.md
+++ b/SUMMARY.md
@@ -1,13 +1,13 @@
 +   [seaborn 0.9 中文文档](README.md)
-+   [An introduction to seaborn](docs/1.md)
-+   [Installing and getting started](docs/2.md)
-+   [Visualizing statistical relationships](docs/3.md)
-+   [Plotting with categorical data](docs/4.md)
-+   [Visualizing the distribution of a dataset](docs/5.md)
-+   [Visualizing linear relationships](docs/6.md)
-+   [Building structured multi-plot grids](docs/7.md)
-+   [Controlling figure aesthetics](docs/8.md)
-+   [Choosing color palettes](docs/9.md)
++   [Seaborn 简介](docs/1.md)
++   [安装和入门](docs/2.md)
++   [可视化统计关系](docs/3.md)
++   [可视化分类数据](docs/4.md)
++   [可视化数据集的分布](docs/5.md)
++   [线性关系可视化](docs/6.md)
++   [构建结构化多图网格](docs/7.md)
++   [控制图像的美学样式](docs/8.md)
++   [选择调色板](docs/9.md)
 +   [seaborn.relplot](docs/10.md)
 +   [seaborn.scatterplot](docs/11.md)
 +   [seaborn.lineplot](docs/12.md)
diff --git a/docs/1.md b/docs/1.md
index 7cea9a0a7a7f9f74931335acdb34ea30157316d8..32de281759a3b4301ad1bbd8221e34410d37f705 100644
--- a/docs/1.md
+++ b/docs/1.md
@@ -6,14 +6,14 @@ Seaborn 是一个基于 [matplotlib](https://matplotlib.org/) 且数据结构与
 
 这里列出了一些 seaborn 的功能：
 
-* 计算[多变量](examples/faceted_lineplot.html#faceted-lineplot)间[关系](examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
-* 可视化类别变量的[观测](examples/jitter_stripplot.html#jitter-stripplot)与[统计](examples/pointplot_anova.html#pointplot-anova)
-* 可视化[单变量](examples/distplot_options.html#distplot-options)或[多变量](examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](examples/horizontal_boxplot.html#horizontal-boxplot)
-* 控制[线性回归](examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
-* 对复杂数据进行易行的整体[结构](examples/scatterplot_matrix.html#scatterplot-matrix)可视化
-* 对[多表统计图](examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
-* 提供多个内建[主题](tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
-* 提供[调色板](tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
+* 计算[多变量](http://seaborn.pydata.org/examples/faceted_lineplot.html#faceted-lineplot)间[关系](http://seaborn.pydata.org/examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
+* 可视化类别变量的[观测](http://seaborn.pydata.org/examples/jitter_stripplot.html#jitter-stripplot)与[统计](http://seaborn.pydata.org/examples/pointplot_anova.html#pointplot-anova)
+* 可视化[单变量](http://seaborn.pydata.org/examples/distplot_options.html#distplot-options)或[多变量](http://seaborn.pydata.org/examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](http://seaborn.pydata.org/examples/horizontal_boxplot.html#horizontal-boxplot)
+* 控制[线性回归](http://seaborn.pydata.org/examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](http://seaborn.pydata.org/examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
+* 对复杂数据进行易行的整体[结构](http://seaborn.pydata.org/examples/scatterplot_matrix.html#scatterplot-matrix)可视化
+* 对[多表统计图](http://seaborn.pydata.org/examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
+* 提供多个内建[主题](http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
+* 提供[调色板](http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
 
 Seaborn 框架旨在以数据可视化为中心来挖掘与理解数据。它提供的面向数据集制图函数主要是对行列索引和数组的操作，包含对整个数据集进行内部的语义映射与统计整合，以此生成富于信息的图表。
 
@@ -49,7 +49,7 @@ sns.set()
 
 ```
 
-这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示，即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题，我们提供一些[其他选项](tutorial/aesthetics.html#aesthetics-tutorial)，你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中（例如，在演讲投影中使用一个拥有可阅读字体的图表）。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式，你可以跳过这一部分，只使用 seaborn 提供的制图函数。
+这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示，即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题，我们提供一些[其他选项](http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial)，你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中（例如，在演讲投影中使用一个拥有可阅读字体的图表）。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式，你可以跳过这一部分，只使用 seaborn 提供的制图函数。
 
 1.  装载数据集
 
@@ -225,7 +225,7 @@ sns.relplot(x="total_bill", y="tip", col="time",
 
 ![http://seaborn.pydata.org/_images/introduction_31_0.png](img/4263c8446521fa44bcb4c6f2bdec4bad.jpg)
 
-如果要仅针对图像设计，所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射，比如颜色。（对颜色的恰当选择在数据可视化中非常关键，seaborn 提供了[附加支持](tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用）。
+如果要仅针对图像设计，所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射，比如颜色。（对颜色的恰当选择在数据可视化中非常关键，seaborn 提供了[附加支持]http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用）。
 
 最后，当 seaborn 的函数与 matploblib 函数具有显然一致性时（例如 [`scatterplot()`](generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot") 和 `plt.scatter`），多余的参数会被直接传给 matploblib 层：
 
@@ -313,4 +313,4 @@ fmri.head()
 
 ## 下一步
 
-继续往下看，你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。
+继续往下看，你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](http://seaborn.pydata.org/examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。
diff --git a/docs/10.md b/docs/10.md
index 2693fff048a3543dadc6a9fb0db40d24086637ad..4cdbfc39a0d19bc5998d03567f79bc593ddc034a 100644
--- a/docs/10.md
+++ b/docs/10.md
@@ -6,7 +6,7 @@
 seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)
 ```
 
-绘制相关关系图像到FacetGrid的图像级别接口。
+绘制相关关系图像到 FacetGrid 的图像级别接口。
 
 此函数提供对一些不同轴级别函数的访问，这些函数通过子集的语义映射显示两个变量之间的关系。`kind`参数选择要使用的基础轴级函数：
 *   [`scatterplot()`](seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot") （通过`kind="scatter"`访问；默认为此）
@@ -16,11 +16,11 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 对于数据不同子集的`x`与`y`的绘制关系可以通过`hue`, `size`以及`style`参数控制。这些参数控制使用哪些视觉语义来区分不同的子集。使用所有三个语义类型可以独立展示三个维度，但是这种方式得到的绘制结果难以被理解而且低效。使用多种语义（例如对相同变量同时使用`hue`及`style`）可以使图像更加易懂。
 
-参考[tutorial](../tutorial/relational.html#relational-tutorial)获得更多信息。
+参考[tutorial](http://seaborn.pydata.org/tutorial/relational.html#relational-tutorial)获得更多信息。
 
 绘制后，会返回带有图像的[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")，随后可以直接进行图像细节调节或者加入其他图层。
 
-值得注意的是，与直接使用隐含函数的方式不同，数据必须以长格式的DataFrame传入，同时变量通过`x`, `y`及其他参数指定。
+值得注意的是，与直接使用隐含函数的方式不同，数据必须以长格式的 DataFrame 传入，同时变量通过`x`, `y`及其他参数指定。
 
 参数：`x, y`：`data`中的变量名
 
@@ -40,7 +40,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 `data`：DataFrame
 
-> 长格式的DataFrame，每列是一个变量，每行是一个观察值。
+> 长格式的 DataFrame，每列是一个变量，每行是一个观察值。
 
 `row, col`：`data`中的变量名，可选
 
@@ -56,15 +56,15 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 `palette`：色盘名，列表，或者字典，可选
 
-> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `hue_order`：列表，可选
 
 > 指定`hue`变量层级出现的顺序，否则会根据数据确定。当`hue`变量为数值型时与此无关。
 
-`hue_norm`：元组或者Normalize对象，可选
+`hue_norm`：元组或者 Normalize 对象，可选
 
-> 当`hue`变量为数值型时，用于数据单元的colormap的标准化。如果`hue`为类别变量则与此无关。
+> 当`hue`变量为数值型时，用于数据单元的 colormap 的标准化。如果`hue`为类别变量则与此无关。
 
 `sizes`：列表、典或者元组，可选
 
@@ -74,25 +74,25 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 > 指定`size`变量层次的表现顺序，不指定则会通过数据确定。当`size`变量为数值型时与此无关。
 
-`size_norm`：元组或者Normalize对象，可选
+`size_norm`：元组或者 Normalize 对象，可选
 
-> 当`size`变量为数值型时，用于数据单元的scaling plot对象的标准化。
+> 当`size`变量为数值型时，用于数据单元的 scaling plot 对象的标准化。
 
-`legend`：“brief”, “full”, 或者False, 可选
+`legend`：“brief”, “full”, 或者 False, 可选
 
 > 用于决定如何绘制坐标轴。如果参数值为“brief”, 数值型的`hue`以及`size`变量将会被用等间隔采样值表示。如果参数值为“full”, 每组都会在坐标轴中被记录。如果参数值为“false”, 不会添加坐标轴数据，也不会绘制坐标轴。
 
 `kind`：string, 可选
 
-> 绘制图的类型，与seaborn相关的图一致。可选项为(`scatter`及`line`).
+> 绘制图的类型，与 seaborn 相关的图一致。可选项为(`scatter`及`line`).
 
 `height`：标量, 可选
 
-> 每个facet的高度（英寸）。参见`aspect`。
+> 每个 facet 的高度（英寸）。参见`aspect`。
 
 `aspect`：标量, 可选
 
-> 每个facet的长宽比，因此“长宽比*高度”可以得出每个facet的宽度（英寸）。
+> 每个 facet 的长宽比，因此“长宽比*高度”可以得出每个 facet 的宽度（英寸）。
 
 `facet_kws`：dict, 可选
 
@@ -111,7 +111,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 示例
 
-使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的坐标轴布局绘制简单的facet。
+使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的坐标轴布局绘制简单的 facet。
 
 ```py
 >>> import seaborn as sns
@@ -123,7 +123,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 ![http://seaborn.pydata.org/_images/seaborn-relplot-1.png](img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg)
 
-利用其他变量绘制facet:
+利用其他变量绘制 facet:
 
 ```py
 >>> g = sns.relplot(x="total_bill", y="tip",
@@ -133,7 +133,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 ![http://seaborn.pydata.org/_images/seaborn-relplot-2.png](img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg)
 
-绘制两行两列的facet:
+绘制两行两列的 facet:
 
 ```py
 >>> g = sns.relplot(x="total_bill", y="tip", hue="day",
@@ -143,7 +143,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 ![http://seaborn.pydata.org/_images/seaborn-relplot-3.png](img/e6f2f0c866185be9801d43c59f348826.jpg)
 
-将多行facets转换为多列:
+将多行 facets 转换为多列:
 
 ```py
 >>> g = sns.relplot(x="total_bill", y="tip", hue="time",
@@ -153,7 +153,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 ![http://seaborn.pydata.org/_images/seaborn-relplot-4.png](img/a89db144a2f030e70603b92ba8728326.jpg)
 
-利用指定的属性值对每个facet使用多种语义变量:
+利用指定的属性值对每个 facet 使用多种语义变量:
 
 ```py
 >>> g = sns.relplot(x="total_bill", y="tip", hue="time", size="size",
@@ -176,7 +176,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 ![http://seaborn.pydata.org/_images/seaborn-relplot-6.png](img/f14f4331afb42bd5512f2c24a5140604.jpg)
 
-改变每个facet的大小:
+改变每个 facet 的大小:
 
 ```py
 >>> g = sns.relplot(x="timepoint", y="signal",
diff --git a/docs/11.md b/docs/11.md
index c3bfe89cb47817694c857f16f21b11bd98529ccc..968687ae9b8fab34896eec9301f036b544b2c05b 100644
--- a/docs/11.md
+++ b/docs/11.md
@@ -1,281 +1,208 @@
-# seaborn.scatterplot
+### seaborn.scatterplot
 
-```py
+> 译者：[leijuzi](https://github.com/leijuzi)
+
+```python
 seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
 ```
+绘制几个语义分组的散点图。
 
-Draw a scatter plot with possibility of several semantic groupings.
-
-The relationship between `x` and `y` can be shown for different subsets of the data using the `hue`, `size`, and `style` parameters. These parameters control what visual semantics are used to identify the different subsets. It is possible to show up to three dimensions independently by using all three semantic types, but this style of plot can be hard to interpret and is often ineffective. Using redundant semantics (i.e. both `hue` and `style` for the same variable) can be helpful for making graphics more accessible.
-
-See the [tutorial](../tutorial/relational.html#relational-tutorial) for more information.
-
-参数：`x, y`：names of variables in `data` or vector data, optional
-
-> Input data variables; must be numeric. Can pass data directly or reference columns in `data`.
+数据的不同子集的 x 和 y 之间的关系可以用 hue, size, style 这三个参数来控制绘图属性。
+这些参数控制用于识别不同子集的视觉语义信息，三种语义类型全部使用的话可以独立显示三个维度，
+但是这种风格的绘图很难解释或者说没大部分时候什么效果。使用过多的语义信息
+（例如：对同一个变量同时使用 hue 和 style)对作图来说是很有帮助同时也更容易理解。
 
-`hue`：name of variables in `data` or vector data, optional
+阅读下面的教程可以 get 更多信息哦。
 
-> Grouping variable that will produce points with different colors. Can be either categorical or numeric, although color mapping will behave differently in latter case.
+**参数**:
+ 
+`x, y`: data 或是向量 data 里面的变量名字，可选择
+> 输入数据的变量，必须是数字，可以直接传递数据或引用数据中的列
 
-`size`：name of variables in `data` or vector data, optional
+`hue`： data 或是向量 data 里面的变量名字，可选择
+> 将产生不同大小的点的变量进行分组，可以是类别也可以是数字，
+但是大小映射在后一种情况会有不同的表现
 
-> Grouping variable that will produce points with different sizes. Can be either categorical or numeric, although size mapping will behave differently in latter case.
-
-`style`：name of variables in `data` or vector data, optional
-
-> Grouping variable that will produce points with different markers. Can have a numeric dtype but will always be treated as categorical.
+`style`： data 或是向量 data 里面的变量名字，可选择
+> 将产生不同标记的点的变量进行分类，可以有一个数字类型，但是这个数字会被当作类别
 
 `data`：DataFrame
+> Tidy (“long-form”) dataframe 它的每一列是一个变量，每一行是一个观测值
 
-> Tidy (“long-form”) dataframe where each column is a variable and each row is an observation.
-
-`palette`：palette name, list, or dict, optional
-
-> Colors to use for the different levels of the `hue` variable. Should be something that can be interpreted by [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), or a dictionary mapping hue levels to matplotlib colors.
-
-`hue_order`：list, optional
+plaette : 调色板的名字、列表或字典，可选
+> 用于不同 level 的 hue 变量的颜色，应该是可以被 color_palette() 执行的 something，
+或者是一个可以对 matplotlib colors 映射 hue 级别的字典。
 
-> Specified order for the appearance of the `hue` variable levels, otherwise they are determined from the data. Not relevant when the `hue` variable is numeric.
+`hue_order`：列表，可选
+> 对 hue 变量的级别的表象有特定的顺序，否则的话，顺序由 data 决定。当 hue 是数字的时候与它不相关
 
-`hue_norm`：tuple or Normalize object, optional
+`hue_norm`：元组或标准化的对象，可选
+> 当 hue 变量是数字的时候，应用于 hue 变量的色彩映射的数据单元中的标准化。如果是类别则不相关
 
-> Normalization in data units for colormap applied to the `hue` variable when it is numeric. Not relevant if it is categorical.
+`sizes`：列表，字典或元组，可选
+> 当使用 size 的时候，用来决定如何选择 sizes 的一个对象。可以一直是一个包含 size 数值的列表，
+或者是一个映射变量 size 级别到 sizes 的字典。当 size 是数字时，sizes 可以是包含 size 最大值
+和最小值的元组，其他的值都会标准化到这个元组指定的范围
 
-`sizes`：list, dict, or tuple, optional
+`size_order`：元组，可选
+> size 变量级别表现的特定顺序，否则顺序由 data 决定，当 size 变量是数字时不相关
 
-> An object that determines how sizes are chosen when `size` is used. It can always be a list of size values or a dict mapping levels of the `size` variable to sizes. When `size` is numeric, it can also be a tuple specifying the minimum and maximum size to use such that other values are normalized within this range.
+`size_norm`：元组或标准化的对象，可选
+> 当变量 size 是数字时，用于缩放绘图对象的数据单元中的标准化
 
-`size_order`：list, optional
+`makers`：布尔型，列表或字典，可选
+> 决定如何绘制不同级别 style 的标志符号。设置为 True 会使用默认的标志符号，或者通过一系列标志
+或者一个字典映射 style 变量的级别到 markers。设置为 False 会绘制无标志的线。
+Markers 在 matplotlib 中指定
 
-> Specified order for appearance of the `size` variable levels, otherwise they are determined from the data. Not relevant when the `size` variable is numeric.
+`style_order`：列表，可选
+> 对于 style 变量级别表象的特定顺序，否则由 data 决定，当 style 是数字时不相关
 
-`size_norm`：tuple or Normalize object, optional
-
-> Normalization in data units for scaling plot objects when the `size` variable is numeric.
-
-`markers`：boolean, list, or dictionary, optional
-
-> Object determining how to draw the markers for different levels of the `style` variable. Setting to `True` will use default markers, or you can pass a list of markers or a dictionary mapping levels of the `style` variable to markers. Setting to `False` will draw marker-less lines. Markers are specified as in matplotlib.
-
-`style_order`：list, optional
-
-> Specified order for appearance of the `style` variable levels otherwise they are determined from the data. Not relevant when the `style` variable is numeric.
-
-`{x,y}_bins`：lists or arrays or functions
-
-> _Currently non-functional._
+`{x,y}_bins`: 元组，矩阵或函数
+> 暂时没有什么功能
 
 `units`：{long_form_var}
+> 分组特定的样本单元。使用时，将为每个具有适当的语义的单元绘制一根单独的线，
+但不会添加任何图例条目。 当不需要确切的身份时，可用于显示实验重复的分布。
+目前没啥作用
 
-> Grouping variable identifying sampling units. When used, a separate line will be drawn for each unit with appropriate semantics, but no legend entry will be added. Useful for showing distribution of experimental replicates when exact identities are not needed.
-> 
-> _Currently non-functional._
-
-`estimator`：name of pandas method or callable or None, optional
-
-> Method for aggregating across multiple observations of the `y` variable at the same `x` level. If `None`, all observations will be drawn. _Currently non-functional._
+`estimator`：pandas 方法的名称，或者可调用的方法或者是 None，可选
+> 聚类同一个 x 上多个观察值 y，如果是 None，所有的观察值都会绘制，目前暂无功能
 
-`ci`：int or “sd” or None, optional
+`ci`：整型或 'sd' or None,可选
+> 与估算器聚合时绘制的置信区间的大小。 “sd”表示绘制数据的标准偏差。 设置为 None 将跳过自举。 目前无功能。
 
-> Size of the confidence interval to draw when aggregating with an estimator. “sd” means to draw the standard deviation of the data. Setting to `None` will skip bootstrapping. _Currently non-functional._
+`n_boot`：整型，可选
+> 自举法的数量，用于计算区间的置信度，暂无功能
 
-`n_boot`：int, optional
+`alpha`：浮点型
+> 设置点的不透明度
 
-> Number of bootstraps to use for computing the confidence interval. _Currently non-functional._
+`{x,y}_jitter`：布尔或者浮点型
+> 暂无功能
 
-`alpha`：float
+`legend`：“brief”, “full”, or False, 可选
+> 绘制图例的方式。如果为“brief" 数字 hue 和 size 变量会代表一个样本，即便有不同的值
+if "full", 每一个分组都有图例。if False 不绘制也不添加图例
 
-> Proportional opacity of the points.
+`ax`：matplotlib 坐标轴，可选
+> 绘制图像的坐标对象，否则使用当前坐标轴
 
-`{x,y}_jitter`：booleans or floats
+`kwargs`：键值映射对
+> 在绘制的时候其他的键会传递给 plt.scatter
 
-> _Currently non-functional._
+返回值：ax：matplotlib 坐标轴
+> 返回绘制所需的坐标
 
-`legend`：“brief”, “full”, or False, optional
+请参阅官方文档
 
-> How to draw the legend. If “brief”, numeric `hue` and `size` variables will be represented with a sample of evenly spaced values. If “full”, every group will get an entry in the legend. If `False`, no legend data is added and no legend is drawn.
+用线显示两个变量之间的关系以强调连续性。绘制带有一个分类变量的散点图，排列点以显示值的分布。
 
-`ax`：matplotlib Axes, optional
-
-> Axes object to draw the plot onto, otherwise uses the current Axes.
-
-`kwargs`：key, value mappings
-
-> Other keyword arguments are passed down to `plt.scatter` at draw time.
-
-
-返回值：`ax`：matplotlib Axes
-
-> Returns the Axes object with the plot drawn onto it.
-
-
-
-See also
-
-Show the relationship between two variables connected with lines to emphasize continuity.Draw a scatter plot with one categorical variable, arranging the points to show the distribution of values.
-
-Examples
-
-Draw a simple scatter plot between two variables:
-
-```py
->>> import seaborn as sns; sns.set()
->>> import matplotlib.pyplot as plt
->>> tips = sns.load_dataset("tips")
->>> ax = sns.scatterplot(x="total_bill", y="tip", data=tips)
+例子
 
+绘制一个两个变量的简单散点图：
+```python
+import seaborn as sns; sns.set()
+import matplotlib.pyplot as plt
+tips = sns.load_dataset('tips')
+ax = sns.scatterplot(x='total_bill',y='tip',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard1.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-1.png](img/0c0c7dd9c7bdb6a6490d4f09db142ec7.jpg)
-
-Group by another variable and show the groups with different colors:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip", hue="time",
-...                      data=tips)
-
+通过其他的变量分组并且用不同的颜色展示分组
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',hue='time',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard2.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-2.png](img/7fa2188b7e7f18a4af451121d39996f0.jpg)
-
-Show the grouping variable by varying both color and marker:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="time", style="time", data=tips)
-
+通过不同的颜色和标记显示分组变量：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     hue='time',style='time',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard3.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-3.png](img/efc3bf2e49e981db42de96bfa2fbf3c3.jpg)
-
-Vary colors and markers to show two different grouping variables:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="day", style="time", data=tips)
-
+不同的颜色和标志显示两个不同的分组变量：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     hue='day',style='time',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard4.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-4.png](img/9cd2a9e38e483ecbe02a7f0d0b67aac3.jpg)
-
-Show a quantitative variable by varying the size of the points:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip", size="size",
-...                      data=tips)
-
+用不同大小的点显示一个变量的数量：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip', size='size',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard5.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-5.png](img/eed42ab8c9334459069ea90987d5a184.jpg)
-
-Also show the quantitative variable by also using continuous colors:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="size", size="size",
-...                      data=tips)
-
+使用渐变的颜色显示变量的数量：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     hue='size', size='size',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard6.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-6.png](img/2777268c97b2e7b9d1e8269eb5a30c32.jpg)
-
-Use a different continuous color map:
-
-```py
->>> cmap = sns.cubehelix_palette(dark=.3, light=.8, as_cmap=True)
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="size", size="size",
-...                      palette=cmap,
-...                      data=tips)
-
+用一个不一样的渐变颜色映射：
+```python
+cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     hue='size', size='size',palette=cmap,data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard7.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-7.png](img/6254a35c0308633b36668290c5aecadd.jpg)
-
-Change the minimum and maximum point size and show all sizes in legend:
-
-```py
->>> cmap = sns.cubehelix_palette(dark=.3, light=.8, as_cmap=True)
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="size", size="size",
-...                      sizes=(20, 200), palette=cmap,
-...                      legend="full", data=tips)
-
+改变点大小的最小值和最大值并在图例中显示所有的尺寸：
+```python
+cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     hue='size',size='size', sizes=(20,200),legend='full',palette=cmap,data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard8.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-8.png](img/8dce33a113d5097dca0507c737d018d4.jpg)
-
-Use a narrower range of color map intensities:
-
-```py
->>> cmap = sns.cubehelix_palette(dark=.3, light=.8, as_cmap=True)
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="size", size="size",
-...                      sizes=(20, 200), hue_norm=(0, 7),
-...                      legend="full", data=tips)
-
+使用一个更小的颜色强度范围：
+```python
+cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
+ax = sns.scatterplot(x='total_bill',y='tip',hue='size',size='size',
+                     sizes=(20,200),hue_norm=(0,7), legend='full',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard9.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-9.png](img/83eadbdb8a87de2c9615c02d627bb299.jpg)
-
-Vary the size with a categorical variable, and use a different palette:
-
-```py
->>> cmap = sns.cubehelix_palette(dark=.3, light=.8, as_cmap=True)
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      hue="day", size="smoker",
-...                      palette="Set2",
-...                      data=tips)
-
+一个类别变量不同的大小，用不同的颜色：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',hue='day',size='smoker',
+                     palette='Set2',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard10.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-10.png](img/a5b1731f0fcd91611390c0bb109cfe64.jpg)
-
-Use a specific set of markers:
-
-```py
->>> markers = {"Lunch": "s", "Dinner": "X"}
->>> ax = sns.scatterplot(x="total_bill", y="tip", style="time",
-...                      markers=markers,
-...                      data=tips)
-
+使用一些特定的标识：
+```python
+markers = {'Lunch':'s','Dinner':'X'}
+ax = sns.scatterplot(x='total_bill',y='tip',style='time',
+                     markers=markers,data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard11.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-11.png](img/d36b6251be5569fe2c31daea7543bf8a.jpg)
-
-Control plot attributes using matplotlib parameters:
-
-```py
->>> ax = sns.scatterplot(x="total_bill", y="tip",
-...                      s=100, color=".2", marker="+",
-...                      data=tips)
-
+使用 matplotlib 的参数控制绘制属性：
+```python
+ax = sns.scatterplot(x='total_bill',y='tip',
+                     s=100,color='.2',marker='+',data=tips)
 ```
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard12.png)
 
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-12.png](img/6096554e5a6fc5659cb1506870489993.jpg)
-
-Pass data vectors instead of names in a data frame:
-
-```py
->>> iris = sns.load_dataset("iris")
->>> ax = sns.scatterplot(x=iris.sepal_length, y=iris.sepal_width,
-...                      hue=iris.species, style=iris.species)
-
+使用 data 向量代替 data frame 名字：
+```python
+iris = sns.load_dataset('iris')
+ax = sns.scatterplot(x=iris.sepal_length,y=iris.sepal_width,
+                     hue = iris.species,style=iris.species)
 ```
-
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-13.png](img/5efb6c24bde137217b7d6471bd9e806a.jpg)
-
-Pass a wide-form dataset and plot against its index:
-
-```py
->>> import numpy as np, pandas as pd; plt.close("all")
->>> index = pd.date_range("1 1 2000", periods=100,
-...                       freq="m", name="date")
->>> data = np.random.randn(100, 4).cumsum(axis=0)
->>> wide_df = pd.DataFrame(data, index, ["a", "b", "c", "d"])
->>> ax = sns.scatterplot(data=wide_df)
-
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard13.png)
+
+传递宽格式数据并根据其索引进行绘图:
+```python
+import numpy as np, pandas as pd; plt.close("all")
+index = pd.date_range('1 1 2000',periods=100,freq='m',name='date')
+data = np.random.randn(100,4).cumsum(axis=0)
+wide_df = pd.DataFrame(data,index,['a','b','c','d'])
+print(wide_df.head())
+ax = sns.scatterplot(data=wide_df)
 ```
-
-![http://seaborn.pydata.org/_images/seaborn-scatterplot-14.png](img/ef47abe0a6cdede1f181c16d59bd3fe0.jpg)
\ No newline at end of file
+![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard14.png)
\ No newline at end of file
diff --git a/docs/12.md b/docs/12.md
index c1f84aee6c5480c0ac6b1cee7a4bfda465b7f432..56edc16cd936ff83d18e9ac88d5db10e3059fb8d 100644
--- a/docs/12.md
+++ b/docs/12.md
@@ -1,127 +1,122 @@
-# seaborn.lineplot
+# **seaborn.lineplot**
 
-```py
+> 译者：[cancan233](https://github.com/cancan233)
+
+```python
 seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
 ```
 
-Draw a line plot with possibility of several semantic groupings.
-
-The relationship between `x` and `y` can be shown for different subsets of the data using the `hue`, `size`, and `style` parameters. These parameters control what visual semantics are used to identify the different subsets. It is possible to show up to three dimensions independently by using all three semantic types, but this style of plot can be hard to interpret and is often ineffective. Using redundant semantics (i.e. both `hue` and `style` for the same variable) can be helpful for making graphics more accessible.
-
-See the [tutorial](../tutorial/relational.html#relational-tutorial) for more information.
-
-By default, the plot aggregates over multiple `y` values at each value of `x` and shows an estimate of the central tendency and a confidence interval for that estimate.
-
-参数：`x, y`：names of variables in `data` or vector data, optional
-
-> Input data variables; must be numeric. Can pass data directly or reference columns in `data`.
+用不同语义分组绘制线型图
 
-`hue`：name of variables in `data` or vector data, optional
+`x`和`y`之间的关系可以使用`hue`，`size`和`style`参数为数据的不同子集显示。这些参数控制用于识别不同子集的视觉语义。通过使用所有三种语义类型，可以独立地显示三个维度，但是这种画图样式可能难以解释并且通常是无效的。使用冗余语义（即同一变量的`hue`和`style`）有助于使图形更易于理解。
 
-> Grouping variable that will produce lines with different colors. Can be either categorical or numeric, although color mapping will behave differently in latter case.
+请查看[指南](http://seaborn.pydata.org/tutorial/relational.html#relational-tutoria)获取更多信息。
 
-`size`：name of variables in `data` or vector data, optional
+默认情况下，图标在每个`x`值处汇总多个`y`值，并显示集中趋势的估计值和该估计值的置信区间。
 
-> Grouping variable that will produce lines with different widths. Can be either categorical or numeric, although size mapping will behave differently in latter case.
+参数：`x,y`： `data`或向量数据中变量的名称，可选择。
 
-`style`：name of variables in `data` or vector data, optional
+> 输入数据变量；必须是数字。可以直接传递数据或引用`data`中的列。
 
-> Grouping variable that will produce lines with different dashes and/or markers. Can have a numeric dtype but will always be treated as categorical.
+`hue`: `data`或向量数据中的变量名，可选。
 
-`data`：DataFrame
+> 分组变量，将生成具有不同颜色的线条的变量。可以是分类或数字，但颜色映射在后一种情况下的行为会有所不同。
 
-> Tidy (“long-form”) dataframe where each column is a variable and each row is an observation.
+`size`: `data`或向量数据中的变量名，可选。
 
-`palette`：palette name, list, or dict, optional
+> 分组变量，将生成具有不同粗细的线条的变量。可以是分类或数字，但大小映射在后一种情况下的行为会有所不同。
 
-> Colors to use for the different levels of the `hue` variable. Should be something that can be interpreted by [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), or a dictionary mapping hue levels to matplotlib colors.
+`style`: `data`或向量数据中的变量名，可选。
 
-`hue_order`：list, optional
+> 分组变量，将生成具有不同样式和/或标记的线条的变量。可以是一种数字形式，但是始终会被视为分类。
 
-> Specified order for the appearance of the `hue` variable levels, otherwise they are determined from the data. Not relevant when the `hue` variable is numeric.
+`data`: 数据框架。
 
-`hue_norm`：tuple or Normalize object, optional
+> 整洁（“长形式”）数据框，其中每列是变量，每行是观察量。
 
-> Normalization in data units for colormap applied to the `hue` variable when it is numeric. Not relevant if it is categorical.
+`palette`： 调色板名称，列表或字典，可选。
 
-`sizes`：list, dict, or tuple, optional
+> 用于`hue`变量的不同级别的颜色。应该是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。
 
-> An object that determines how sizes are chosen when `size` is used. It can always be a list of size values or a dict mapping levels of the `size` variable to sizes. When `size` is numeric, it can also be a tuple specifying the minimum and maximum size to use such that other values are normalized within this range.
+`hue_order`：列表，可选。
 
-`size_order`：list, optional
+> 指定`hue`变量级别的出现顺序，否则它们是根据数据确定的。当`hue`变量是数字时不相关。
 
-> Specified order for appearance of the `size` variable levels, otherwise they are determined from the data. Not relevant when the `size` variable is numeric.
+`hue_norm`： 原则或者时归一化对象，可选。
 
-`size_norm`：tuple or Normalize object, optional
+> 当数值为数字时，应用于`hue`变量的颜色图数据单元的归一化。 如果是分类的，则不相关。
 
-> Normalization in data units for scaling plot objects when the `size` variable is numeric.
+`sizes`：列表，字典，或者元组。可选。
 
-`dashes`：boolean, list, or dictionary, optional
+> 确定在使用`size`时如何选择大小的对象。它始终可以是大小值列表或`size`变量与大小的字典映射级别。当`size`是数字时，它也可以是一个元组，指定要使用的最小和最大大小，以便在此范围内对其他值进行规范化。
 
-> Object determining how to draw the lines for different levels of the `style` variable. Setting to `True` will use default dash codes, or you can pass a list of dash codes or a dictionary mapping levels of the `style` variable to dash codes. Setting to `False` will use solid lines for all subsets. Dashes are specified as in matplotlib: a tuple of `(segment, gap)` lengths, or an empty string to draw a solid line.
+`size_norm`：原则或者时归一化对象，可选。
 
-`markers`：boolean, list, or dictionary, optional
+> 当`size`变量是数字时，用于缩放绘图对象的数据单元中的归一化。
 
-> Object determining how to draw the markers for different levels of the `style` variable. Setting to `True` will use default markers, or you can pass a list of markers or a dictionary mapping levels of the `style` variable to markers. Setting to `False` will draw marker-less lines. Markers are specified as in matplotlib.
+`dashes`： 布尔值，列表或字典，可选。
 
-`style_order`：list, optional
+> 确定如何为`style`变量的不同级别绘制线条的对象。设置为`True`将使用默认的短划线代码，或者您可以将短划线代码列表或`style`变量的字典映射级别传递给短划线代码。设置为`False`将对所有子集使用实线。线段在 matplotlib 中指定： `(segment, gap)`长度的元组，或用于绘制实线的空字符串。
 
-> Specified order for appearance of the `style` variable levels otherwise they are determined from the data. Not relevant when the `style` variable is numeric.
+`markers`： 布尔值，列表或字典，可选。
 
-`units`：{long_form_var}
+> 确定如何为`style`变量的不同级别绘制标记的对象。 设置为“True”将使用默认标记，或者您可以传递标记列表或将`style`变量的字典映射到标记。 设置为“False”将绘制无标记线。 标记在 matplotlib 中指定。
 
-> Grouping variable identifying sampling units. When used, a separate line will be drawn for each unit with appropriate semantics, but no legend entry will be added. Useful for showing distribution of experimental replicates when exact identities are not needed.
+`style_order`：列表，可选。
 
-`estimator`：name of pandas method or callable or None, optional
+> 指定`style`变量级别的出现顺序，否则它们是从数据中确定的。`style`变量时数字不相关的。
 
-> Method for aggregating across multiple observations of the `y` variable at the same `x` level. If `None`, all observations will be drawn.
+`units`： {long_form_var}
 
-`ci`：int or “sd” or None, optional
+> 对变量识别抽样单位进行分组。使用时，将为每个单元绘制一个单独的行，并使用适当的语义。但不会添加任何图里条目。当不需要确切的身份时，可用于显示实验重复的分布。
 
-> Size of the confidence interval to draw when aggregating with an estimator. “sd” means to draw the standard deviation of the data. Setting to `None` will skip bootstrapping.
+`estimator`：pandas 方法的名称或可调用或无，可选。
 
-`n_boot`：int, optional
+> 在相同的`x`级别上聚合`y`变量的多个观察值的方法。如果`None`，将绘制所有观察结果。
 
-> Number of bootstraps to use for computing the confidence interval.
+`ci`：整数或`sd`或 None。可选。
 
-`sort`：boolean, optional
+> 与`estimator`聚合时绘制的置信区间大小。`sd`表示绘制数据的标准偏差。设置为`None`将跳过 bootstrap。
 
-> If True, the data will be sorted by the x and y variables, otherwise lines will connect points in the order they appear in the dataset.
+`n_boot`：整数，可选。
 
-`err_style`：“band” or “bars”, optional
+> 用于计算置信区间的 bootstrap 数。
 
-> Whether to draw the confidence intervals with translucent error bands or discrete error bars.
+`sort`：布尔值，可选。
 
-`err_band`：dict of keyword arguments
+> 如果为真，则数据将按 x 与 y 变量排序，否则行将按照它们在数据集中出现的顺序连接点。
 
-> Additional paramters to control the aesthetics of the error bars. The kwargs are passed either to `ax.fill_between` or `ax.errorbar`, depending on the `err_style`.
+`err_style`: `band`或`bars`，可选。
 
-`legend`：“brief”, “full”, or False, optional
+> 是否用半透明误差带或离散误差棒绘制置信区间。
 
-> How to draw the legend. If “brief”, numeric `hue` and `size` variables will be represented with a sample of evenly spaced values. If “full”, every group will get an entry in the legend. If `False`, no legend data is added and no legend is drawn.
+`err_band`：关键字参数字典。
 
-`ax`：matplotlib Axes, optional
+> 用于控制误差线美观的附加参数。 `kwargs`传递给`ax.fill_between`或`ax.errorbar`，具体取决于`err_style`。
 
-> Axes object to draw the plot onto, otherwise uses the current Axes.
+`legend`： `brief`,`full`,或`False`。可选。
 
-`kwargs`：key, value mappings
+> 如何绘制图例。如果`brief`，则数字`hue`和`size`变量将用均匀间隔值的样本表示。如果`full`，则每个组都会在图例中输入一个条目。如果为`False`，则不添加图例数据且不绘制图例。
 
-> Other keyword arguments are passed down to `plt.plot` at draw time.
+`ax`：matplotlib 轴。可选。
 
+> 将绘图绘制到的 Axes 对象，否则使用当前轴。
 
-返回值：`ax`：matplotlib Axes
+`kwargs`：关键，价值映射。
 
-> Returns the Axes object with the plot drawn onto it.
+> 其他关键字参数在绘制时传递给`plt.plot`。 
 
+返回值：`ax`：matplotlib 轴
 
+> 返回 Axes 对象，并在其上绘制绘图。
 
-See also
+也可以看看
 
-Show the relationship between two variables without emphasizing continuity of the `x` variable.Show the relationship between two variables when one is categorical.
+显示两个变量之间的关系，而不强调`x`变量的连续性。当两个变量时分类时，显示两个变量之间的关系。
 
-Examples
+例子
 
-Draw a single line plot with error bands showing a confidence interval:
+绘制单线图，其中错误带显示执行区间：
 
 ```py
 >>> import seaborn as sns; sns.set()
@@ -133,7 +128,7 @@ Draw a single line plot with error bands showing a confidence interval:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-1.png](img/25ad91543cb2ac105ccfb3efc544658a.jpg)
 
-Group by another variable and show the groups with different colors:
+按另一个变量分组并显示具有不同颜色的组：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal", hue="event",
@@ -143,7 +138,7 @@ Group by another variable and show the groups with different colors:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-2.png](img/5d2d2c464b8872f780180217182517d4.jpg)
 
-Show the grouping variable with both color and line dashing:
+使用颜色和线条划线显示分组变量：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal",
@@ -153,7 +148,7 @@ Show the grouping variable with both color and line dashing:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-3.png](img/2e99f3ab69ddcc3a94df1ddb15068249.jpg)
 
-Use color and line dashing to represent two different grouping variables:
+使用颜色和线条划线来表示两个不同的分组变量：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal",
@@ -163,7 +158,7 @@ Use color and line dashing to represent two different grouping variables:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-4.png](img/7c717f27fe7c1e02672338abf7cad829.jpg)
 
-Use markers instead of the dashes to identify groups:
+使用标记而不是破折号来标识组：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal",
@@ -174,7 +169,7 @@ Use markers instead of the dashes to identify groups:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-5.png](img/f82003c5544990262fe9a61a131d93ef.jpg)
 
-Show error bars instead of error bands and plot the standard error:
+显示错误条而不是错误带并绘制标准错误：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal", hue="event",
@@ -184,7 +179,7 @@ Show error bars instead of error bands and plot the standard error:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-6.png](img/a92991eef59fbedc422f330f51697fe4.jpg)
 
-Show experimental replicates instead of aggregating:
+显示实验性重复而不是聚合：
 
 ```py
 >>> ax = sns.lineplot(x="timepoint", y="signal", hue="event",
@@ -195,7 +190,7 @@ Show experimental replicates instead of aggregating:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-7.png](img/d7a78945c0ae60bbd5ee9dfef15baba0.jpg)
 
-Use a quantitative color mapping:
+使用定量颜色映射：
 
 ```py
 >>> dots = sns.load_dataset("dots").query("align == 'dots'")
@@ -207,7 +202,7 @@ Use a quantitative color mapping:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-8.png](img/bc93752a335d8985139584678e19a2b9.jpg)
 
-Use a different normalization for the colormap:
+对 colormap 使用不同的归一化：
 
 ```py
 >>> from matplotlib.colors import LogNorm
@@ -219,7 +214,7 @@ Use a different normalization for the colormap:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-9.png](img/1848472fd25a5227de0c58b2fc43c865.jpg)
 
-Use a different color palette:
+使用不同的调色板：
 
 ```py
 >>> ax = sns.lineplot(x="time", y="firing_rate",
@@ -230,7 +225,7 @@ Use a different color palette:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-10.png](img/f758b47e18df4e0b8e31c3a3fb9a1634.jpg)
 
-Use specific color values, treating the hue variable as categorical:
+使用特定颜色值，将 hue 变量视为分类：
 
 ```py
 >>> palette = sns.color_palette("mako_r", 6)
@@ -242,7 +237,7 @@ Use specific color values, treating the hue variable as categorical:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-11.png](img/f91976efc3d73db2b134c57ba7dd86f3.jpg)
 
-Change the width of the lines with a quantitative variable:
+使用定量变量更改线条的宽度：
 
 ```py
 >>> ax = sns.lineplot(x="time", y="firing_rate",
@@ -253,7 +248,7 @@ Change the width of the lines with a quantitative variable:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-12.png](img/f7c110a02ff0dffcc8a6c88582b45b70.jpg)
 
-Change the range of line widths used to normalize the size variable:
+更改用于规范化 size 变量的线宽范围：
 
 ```py
 >>> ax = sns.lineplot(x="time", y="firing_rate",
@@ -264,7 +259,7 @@ Change the range of line widths used to normalize the size variable:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-13.png](img/438199f3698b863dd842a2f680c4a845.jpg)
 
-Plot from a wide-form DataFrame:
+DataFrame 绘制：
 
 ```py
 >>> import numpy as np, pandas as pd; plt.close("all")
@@ -278,7 +273,7 @@ Plot from a wide-form DataFrame:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-14.png](img/25659857727e22d0f951f9c750bb29de.jpg)
 
-Plot from a list of Series:
+系列列表中绘制：
 
 ```py
 >>> list_data = [wide_df.loc[:"2005", "a"], wide_df.loc["2003":, "b"]]
@@ -288,7 +283,7 @@ Plot from a list of Series:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-15.png](img/711ff3dd5a0aef63679fe4174259ee3d.jpg)
 
-Plot a single Series, pass kwargs to `plt.plot`:
+绘制单个系列，将 kwargs 传递给`plt.plot`：
 
 ```py
 >>> ax = sns.lineplot(data=wide_df["a"], color="coral", label="line")
@@ -297,7 +292,7 @@ Plot a single Series, pass kwargs to `plt.plot`:
 
 ![http://seaborn.pydata.org/_images/seaborn-lineplot-16.png](img/fde16964145ae355ddbbeae37728260a.jpg)
 
-Draw lines at points as they appear in the dataset:
+在数据集中出现的点处绘制线条：
 
 ```py
 >>> x, y = np.random.randn(2, 5000).cumsum(axis=1)
@@ -305,4 +300,4 @@ Draw lines at points as they appear in the dataset:
 
 ```
 
-![http://seaborn.pydata.org/_images/seaborn-lineplot-17.png](img/05782b02c2faaf09a504b53a5a526445.jpg)
\ No newline at end of file
+![http://seaborn.pydata.org/_images/seaborn-lineplot-17.png](img/05782b02c2faaf09a504b53a5a526445.jpg)
diff --git a/docs/13.md b/docs/13.md
index e014084582246bbfc80d978e2e2a7bce9eb7854f..036488f2bea75b77dbeda5a3ca6873842cd4df88 100644
--- a/docs/13.md
+++ b/docs/13.md
@@ -6,7 +6,7 @@
 seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip', height=5, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)
 ```
 
-seaborn.catplot 是一个将分类图绘制到FacetGrid上图级别接口。
+seaborn.catplot 是一个将分类图绘制到 FacetGrid 上图级别接口。
 
 这个函数可以访问多个轴级功能，这些轴级功能通过不同的可视化图表展示数字和一个或多个分类变量的关系。`kind` 参数可以选择的轴级基础函数有：
 
@@ -29,13 +29,13 @@ seaborn.catplot 是一个将分类图绘制到FacetGrid上图级别接口。
 
 额外的关键字参数将传递给基础函数，因此，您应参阅每个文档，以查看特定类型的选项.
 
-请注意，与直接使用轴级函数不同, 数据必须在长格式DataFrame中传递，并通过将字符串传递给 `x`, `y`, `hue`, 等指定的变量.
+请注意，与直接使用轴级函数不同, 数据必须在长格式 DataFrame 中传递，并通过将字符串传递给 `x`, `y`, `hue`, 等指定的变量.
 
 与基础绘图函数的情况一样, 如果变量有 `categorical` 数据类型, 则将从对象推断出分类变量的级别及其顺序。否则，您可能必须使用更改 dataframe 排序或使用函数参数(`orient`, `order`, `hue_order`, etc.) 来正确设置绘图。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型。
 
-有关更多信息，请参考 [tutorial](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参考 [tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 绘图后，返回带有绘图的 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")，可以直接用于调整绘图细节或添加其他图层。
 
@@ -59,7 +59,7 @@ seaborn.catplot 是一个将分类图绘制到FacetGrid上图级别接口。
 
 > 在每个分类箱内估计的统计函数。
 
-`ci`：float或“sd”或None，可选
+`ci`：float 或“sd”或 None，可选
 
 > 在估计值附近绘制置信区间的大小。如果是“sd”，则跳过自举(bootstrapping)并绘制观察的标准偏差。None,如果为`None`，则不执行自举，并且不会绘制错误条。
 
@@ -93,15 +93,15 @@ seaborn.catplot 是一个将分类图绘制到FacetGrid上图级别接口。
 
 `orient`：“v” &#124; “h”, 可选
 
-> 图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
+> 图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于色调变量的不同级别的颜色。应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 可以解释的东西，或者是将色调级别映射到matplotlib颜色的字典。
+> 用于色调变量的不同级别的颜色。应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。
 
 `legend`：bool, 可选
 
@@ -114,7 +114,7 @@ seaborn.catplot 是一个将分类图绘制到FacetGrid上图级别接口。
 
 `share{x,y}`：bool, ‘col’, 或 ‘row’ 可选
 
-> 如果为true，则facet将跨行跨越列和/或x轴共享y轴。
+> 如果为 true，则 facet 将跨行跨越列和/或 x 轴共享 y 轴。
 
 `margin_titles`：bool, 可选
 
diff --git a/docs/14.md b/docs/14.md
index 5fa8a9341b99e4e0ff0166451e1575743604f8a6..0c543738cd321ebff99df2a092a5dfce43e43d78 100644
--- a/docs/14.md
+++ b/docs/14.md
@@ -12,16 +12,16 @@ seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 输入数据可以以多种格式传递，包括：
 
-*   表示为列表，numpy数组或pandas Series对象的数据向量直接传递给`x`，`y`和`hue`参数
+*   表示为列表，numpy 数组或 pandas Series 对象的数据向量直接传递给`x`，`y`和`hue`参数
 *   在这种情况下，`x`，`y`和`hue`变量将决定数据的绘制方式。
 *   “wide-form” DataFrame, 用于绘制每个数字列。
 *   一个数组或向量列表。
 
-在大多数情况下，可以使用numpy或Python对象，但最好使用pandas对象，因为关联的名称将用于注释轴。另外，您可以使用分组变量的分类类型来控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但最好使用 pandas 对象，因为关联的名称将用于注释轴。另外，您可以使用分组变量的分类类型来控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型也是如此。
 
-有关更多信息，请参阅[教程](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参阅[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`： `数据`或矢量数据中的变量名称，可选
 
@@ -45,21 +45,21 @@ seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `orient`：“v” &#124; “h”, 可选
 
-> 图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
+> 图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于色调变量的不同级别的颜色。应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 可以解释的东西，或者是将色调级别映射到matplotlib颜色的字典。
+> 用于色调变量的不同级别的颜色。应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。
 
 `size`：float, 可选
 
 > 标记的直径，以磅为单位。（虽然 `plt.scatter` 用于绘制点，但这里的 `size` 参数采用“普通”标记大小而不是大小^ 2，如 `plt.scatter` 。
 
-`edgecolor`：matplotlib颜色，“灰色”是特殊的，可选的
+`edgecolor`：matplotlib 颜色，“灰色”是特殊的，可选的
 
 >每个点周围线条的颜色。如果传递`"灰色"`，则亮度由用于点体的调色板决定。
 
@@ -67,20 +67,20 @@ seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 > 构图元素的灰线宽度。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
-> 返回Axes对象，并在其上绘制绘图。
+> 返回 Axes 对象，并在其上绘制绘图。
 
 
-返回值：`ax`：matplotlib轴
+返回值：`ax`：matplotlib 轴
 
-> 返回Axes对象，并在其上绘制绘图。
+> 返回 Axes 对象，并在其上绘制绘图。
 
 
 
 也可参看
 
-分类散点图，其中点不重叠。可以与其他图一起使用来显示每个观察结果。带有类似API的传统盒须图。箱形图和核密度估计的组合。
+分类散点图，其中点不重叠。可以与其他图一起使用来显示每个观察结果。带有类似 API 的传统盒须图。箱形图和核密度估计的组合。
 
 例子
 
diff --git a/docs/15.md b/docs/15.md
index 3c5f5845912f91b3585ff46171e1c65fcd6570f3..6b71fa8eb46f39b799848b1d41aafe8a33047381 100644
--- a/docs/15.md
+++ b/docs/15.md
@@ -1,5 +1,7 @@
 # seaborn.swarmplot
 
+> 译者：[LIJIANcoder97](https://github.com/LIJIANcoder97)
+
 ```py
 seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
 ```
@@ -13,16 +15,16 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 正确排列点需要在数据和点坐标之间进行精确转换。这意味着必须在绘制绘图之前设置非默认轴限制。
 
 输入数据可以以多种格式传递，包括：
-*   表示为列表，numpy arrays或pandas Series objects直接传递给`x`，`y`和/或`hue`参数。
+*   表示为列表，numpy arrays 或 pandas Series objects 直接传递给`x`，`y`和/或`hue`参数。
 *   “长格式” DataFrame, `x`，`y`和`hue`变量将决定数据的绘制方式
 *   “宽格式”DataFrame，用于绘制每个数字列。
 *   一个数组或向量列表。
 
-在大多数情况下，可以使用numpy或Python对象，但最好使用pandas对象，因为关联的名称将用于注释轴。此外，您可以使用分类类型来分组变量来控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但最好使用 pandas 对象，因为关联的名称将用于注释轴。此外，您可以使用分类类型来分组变量来控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型也是如此
 
-有关更多信息，请参阅[教程](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参阅[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或矢量数据中的变量名称，可选
 
@@ -42,7 +44,7 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `orient`：“v” &#124; “h”, 可选
 
-> 图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
+> 图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。
 
 `color`：matplotlib color, 可选
 
@@ -50,7 +52,7 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `palette`：调色板名称, list, or dict, 可选
 
-> 用于`hue`变量的不同级别的颜色。应该是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"),可以解释的东西，或者是将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。应该是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"),可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。
 
 `size`：float, 可选
 
@@ -66,18 +68,18 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `ax`：matplotlib Axes, 可选
 
-> Axes对象将绘图绘制到，否则使用当前轴。
+> Axes 对象将绘图绘制到，否则使用当前轴。
 
 
 返回值：`ax`：matplotlib Axes
 
-> 返回Axes对象，并在其上绘制绘图。
+> 返回 Axes 对象，并在其上绘制绘图。
 
 
 
 参看
 
-带有类似API的传统盒须图。框图和核密度估计的组合。散点图，其中一个变量是分类的。可以与其他图一起使用以显示每个观察结果。使用类组合分类图：<cite>FacetGrid</cite>。
+带有类似 API 的传统盒须图。框图和核密度估计的组合。散点图，其中一个变量是分类的。可以与其他图一起使用以显示每个观察结果。使用类组合分类图：<cite>FacetGrid</cite>。
 
 例
 
@@ -130,7 +132,7 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 ![http://seaborn.pydata.org/_images/seaborn-swarmplot-5.png](img/6f9585fcbe42e72521292b80b0fdc97a.jpg)
 
-通过传递显式顺序来控制swarm顺序：
+通过传递显式顺序来控制 swarm 顺序：
 
 ```py
 >>> ax = sns.swarmplot(x="time", y="tip", data=tips,
diff --git a/docs/16.md b/docs/16.md
index 756d61c6f201edec22986b7b8381b9fc277ab4e4..361fef97acc0f2782ec170f5703bd3c7a47ffa76 100644
--- a/docs/16.md
+++ b/docs/16.md
@@ -12,16 +12,16 @@ seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数
 
 输入数据可以通过多种格式传入，包括：
 
-*   格式为列表，numpy数组或pandas Series对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
-*   对于长格式的DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
-*   对于宽格式的DataFrame，每一列数值列都会被绘制。
+*   格式为列表，numpy 数组或 pandas Series 对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
+*   对于长格式的 DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
+*   对于宽格式的 DataFrame，每一列数值列都会被绘制。
 *   一个数组或向量的列表。
 
-在大多数情况下，可以使用numpy或Python对象，但更推荐使用pandas对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但更推荐使用 pandas 对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或向量数据中的变量名称，可选
 
@@ -37,15 +37,15 @@ seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数
 
 `orient`：“v” &#124; “h”，可选
 
-> 控制绘图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
+> 控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子颜色。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `saturation`：float，可选
 
@@ -69,30 +69,30 @@ seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数
 
 `whis`：float，可选
 
-> 控制在超过高低四分位数时IQR的比例，因此需要延长绘制的触须线段。超出此范围的点将被识别为异常值。
+> 控制在超过高低四分位数时 IQR 的比例，因此需要延长绘制的触须线段。超出此范围的点将被识别为异常值。
 
 `notch`：boolean，可选
 
 > 是否使矩形框“凹陷”以指示中位数的置信区间。还有其他几个参数可以控制凹槽的绘制方式；参见 `plt.boxplot` 以查看关于此问题的更多帮助信息。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
-> 绘图时使用的Axes轴对象，否则使用当前Axes轴对象。
+> 绘图时使用的 Axes 轴对象，否则使用当前 Axes 轴对象。
 
 `kwargs`：键，值映射
 
 > 其他在绘图时传给 `plt.boxplot` 的参数。
 
 
-返回值：`ax`：matplotlib轴
+返回值：`ax`：matplotlib 轴
 
-> 返回Axes对轴象，并在其上绘制绘图。
+> 返回 Axes 对轴象，并在其上绘制绘图。
 
 
 
 亦可参见
 
-boxplot和核密度估计的结合。当一个变量是分类变量的散点图。可以与其他图表结合使用以展示各自的观测结果。分类散点图的特点是其中数据点互不重叠。可以与其他图表结合使用以展示各自的观测结果。
+boxplot 和核密度估计的结合。当一个变量是分类变量的散点图。可以与其他图表结合使用以展示各自的观测结果。分类散点图的特点是其中数据点互不重叠。可以与其他图表结合使用以展示各自的观测结果。
 
 示例
 
@@ -117,7 +117,7 @@ boxplot和核密度估计的结合。当一个变量是分类变量的散点图
 
 ![http://seaborn.pydata.org/_images/seaborn-boxplot-2.png](img/26d08ab02c44cb0a819065f27a1b7f84.jpg)
 
-根据2个分类变量嵌套分组绘制一个箱型图：
+根据 2 个分类变量嵌套分组绘制一个箱型图：
 
 ```py
 >>> ax = sns.boxplot(x="day", y="total_bill", hue="smoker",
@@ -147,7 +147,7 @@ boxplot和核密度估计的结合。当一个变量是分类变量的散点图
 
 ![http://seaborn.pydata.org/_images/seaborn-boxplot-5.png](img/8ac363c4f6fd1e8ef5a4dd62d236ce9d.jpg)
 
-针对DataFrame里每一个数值型变量绘制箱型图：
+针对 DataFrame 里每一个数值型变量绘制箱型图：
 
 ```py
 >>> iris = sns.load_dataset("iris")
diff --git a/docs/17.md b/docs/17.md
index dc8c07d90d13cfca52fb0e8dee0e6ee09f923ded..c962c94b646b2afd9124f149f7977eaa6168484e 100644
--- a/docs/17.md
+++ b/docs/17.md
@@ -14,16 +14,16 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 输入数据可以通过多种格式传入，包括：
 
-*   格式为列表，numpy数组或pandas Series对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
-*   对于长格式的DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
-*   对于宽格式的DataFrame，每一列数值列都会被绘制。
+*   格式为列表，numpy 数组或 pandas Series 对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
+*   对于长格式的 DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
+*   对于宽格式的 DataFrame，每一列数值列都会被绘制。
 *   一个数组或向量的列表。
 
-在大多数情况下，可以使用numpy或Python对象，但更推荐使用pandas对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但更推荐使用 pandas 对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [tutorial](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或向量数据中的变量名称，可选
 
@@ -43,7 +43,7 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 `cut`：float，可选
 
-> 以带宽大小为单位的距离，以控制小提琴图外壳延伸超过内部极端数据点的密度。设置为0以将小提琴图范围限制在观察数据的范围内。（例如，在 `ggplot` 中具有与 `trim=True` 相同的效果）
+> 以带宽大小为单位的距离，以控制小提琴图外壳延伸超过内部极端数据点的密度。设置为 0 以将小提琴图范围限制在观察数据的范围内。（例如，在 `ggplot` 中具有与 `trim=True` 相同的效果）
 
 `scale`：{“area”, “count”, “width”}，可选
 
@@ -67,7 +67,7 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 `split`：bool，可选
 
-> 当使用带有两种颜色的变量时，将`split`设置为True则会为每种颜色绘制对应半边小提琴。从而可以更容易直接的比较分布。
+> 当使用带有两种颜色的变量时，将`split`设置为 True 则会为每种颜色绘制对应半边小提琴。从而可以更容易直接的比较分布。
 
 `dodge`：bool，可选
 
@@ -75,38 +75,38 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 `orient`：“v” &#124; “h”，可选
 
-> 控制绘图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
+> 控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
 
 `linewidth`：float，可选
 
 > 构图元素的灰线宽度。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子颜色。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `saturation`：float，可选
 
 > 控制用于绘制颜色的原始饱和度的比例。通常大幅填充在轻微不饱和的颜色下看起来更好，如果您希望绘图颜色与输入颜色规格完美匹配可将其设置为`1`。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
-> 绘图时使用的Axes轴对象，否则使用当前Axes轴对象。
+> 绘图时使用的 Axes 轴对象，否则使用当前 Axes 轴对象。
 
 
-返回值：`ax`：matplotlib轴
+返回值：`ax`：matplotlib 轴
 
-> 返回Axes对轴象，并在其上绘制绘图。
+> 返回 Axes 对轴象，并在其上绘制绘图。
 
 
 
 亦可参见
 
-一个传统的箱型图具有类似的API。当一个变量是分类变量的散点图。可以与其他图表结合使用以展示各自的观测结果。分类散点图的特点是其中数据点互不重叠。可以与其他图表结合使用以展示各自的观测结果。
+一个传统的箱型图具有类似的 API。当一个变量是分类变量的散点图。可以与其他图表结合使用以展示各自的观测结果。分类散点图的特点是其中数据点互不重叠。可以与其他图表结合使用以展示各自的观测结果。
 
 示例
 
@@ -131,7 +131,7 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 ![http://seaborn.pydata.org/_images/seaborn-violinplot-2.png](img/35c303fe21899eb631a454ab2d09e1bf.jpg)
 
-根据2个分类变量嵌套分组绘制一个小提琴图：
+根据 2 个分类变量嵌套分组绘制一个小提琴图：
 
 ```py
 >>> ax = sns.violinplot(x="day", y="total_bill", hue="smoker",
diff --git a/docs/18.md b/docs/18.md
index a3864e9d02b984fe8727026d7cea0306b868b1f5..a80a0f08c13cc001509b1c19145bffe6fab6c215 100644
--- a/docs/18.md
+++ b/docs/18.md
@@ -14,16 +14,16 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 输入数据可以通过多种格式传入，包括：
 
-*   格式为列表，numpy数组或pandas Series对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
-*   对于长格式的DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
-*   对于宽格式的DataFrame，每一列数值列都会被绘制。
+*   格式为列表，numpy 数组或 pandas Series 对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
+*   对于长格式的 DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
+*   对于宽格式的 DataFrame，每一列数值列都会被绘制。
 *   一个数组或向量的列表。
 
-在大多数情况下，可以使用numpy或Python对象，但更推荐使用pandas对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但更推荐使用 pandas 对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data`或向量数据中的变量名称，可选
 
@@ -39,15 +39,15 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `orient`：“v” &#124; “h”，可选
 
-> 控制绘图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
+> 控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子颜色。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `saturation`：float，可选
 
@@ -63,7 +63,7 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `k_depth`：“proportion” &#124; “tukey” &#124; “trustworthy”，可选
 
-> 通过增大百分比的粒度控制绘制的盒形图数目。所有方法都在Wickham的论文中有详细描述。每个参数代表利用不同的统计特性对异常值的数量做出不同的假设。
+> 通过增大百分比的粒度控制绘制的盒形图数目。所有方法都在 Wickham 的论文中有详细描述。每个参数代表利用不同的统计特性对异常值的数量做出不同的假设。
 
 `linewidth`：float，可选
 
@@ -75,26 +75,26 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `outlier_prop`：float，可选
 
-> 被认为是异常值的数据比例。与 `k_depth` 结合使用以确定要绘制的百分位数。默认值为0.007作为异常值的比例。该参数取值应在[0,1]范围内。
+> 被认为是异常值的数据比例。与 `k_depth` 结合使用以确定要绘制的百分位数。默认值为 0.007 作为异常值的比例。该参数取值应在[0,1]范围内。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
-> 绘图时使用的Axes轴对象，否则使用当前Axes轴对象。
+> 绘图时使用的 Axes 轴对象，否则使用当前 Axes 轴对象。
 
 `kwargs`：键，值映射
 
 > 其他在绘制时传递给`plt.plot`和`plt.scatter`参数。
 
 
-返回值：`ax`：matplotlib轴
+返回值：`ax`：matplotlib 轴
 
-> 返回Axes对轴象，并在其上绘制绘图。
+> 返回 Axes 对轴象，并在其上绘制绘图。
 
 
 
 亦可参见
 
-boxplot和核密度估计的结合。一个传统的箱型图具有类似的API。
+boxplot 和核密度估计的结合。一个传统的箱型图具有类似的 API。
 
 示例
 
@@ -119,7 +119,7 @@ boxplot和核密度估计的结合。一个传统的箱型图具有类似的API
 
 ![http://seaborn.pydata.org/_images/seaborn-boxenplot-2.png](img/31c79f0cf22d453e10799da960e3e801.jpg)
 
-根据2个分类变量嵌套分组绘制一个增强箱型图：
+根据 2 个分类变量嵌套分组绘制一个增强箱型图：
 
 ```py
 >>> ax = sns.boxenplot(x="day", y="total_bill", hue="smoker",
@@ -149,7 +149,7 @@ boxplot和核密度估计的结合。一个传统的箱型图具有类似的API
 
 ![http://seaborn.pydata.org/_images/seaborn-boxenplot-5.png](img/e8fa81696195ce058546e429317075bc.jpg)
 
-针对DataFrame里每一个数值型变量绘制增强箱型图：
+针对 DataFrame 里每一个数值型变量绘制增强箱型图：
 
 ```py
 >>> iris = sns.load_dataset("iris")
diff --git a/docs/19.md b/docs/19.md
index 0e64923eb4ced3d4c543eac343c0f8e8dc7c204e..d523f4c9337786f76b6b16235bad6e96ff6975fd 100644
--- a/docs/19.md
+++ b/docs/19.md
@@ -16,16 +16,16 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 输入数据可以通过多种格式传入，包括：
 
-*   格式为列表，numpy数组或pandas Series对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
-*   对于长格式的DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
-*   对于宽格式的DataFrame，每一列数值列都会被绘制。
+*   格式为列表，numpy 数组或 pandas Series 对象的数据向量可以直接传递给`x`，`y`和`hue`参数。
+*   对于长格式的 DataFrame，`x`，`y`，和`hue`参数会决定如何绘制数据。
+*   对于宽格式的 DataFrame，每一列数值列都会被绘制。
 *   一个数组或向量的列表。
 
-在大多数情况下，可以使用numpy或Python对象，但更推荐使用pandas对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
+在大多数情况下，可以使用 numpy 或 Python 对象，但更推荐使用 pandas 对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以控制绘图元素的顺序。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data`或向量数据中的变量名称，可选
 
@@ -37,7 +37,7 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `order, hue_order`：字符串列表，可选
 
-> 控制绘图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
+> 控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
 
 `estimator`：调用函数实现向量 -&gt; 标量的映射，可选
 
@@ -51,7 +51,7 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 > 计算置信区间时使用的引导迭代次数。
 
-`units`：`data` 或vector data中变量的名称，可选
+`units`：`data` 或 vector data 中变量的名称，可选
 
 > 采样单元的标识符，用于执行多级引导过程（计算置信区间等）并能够处理重复测量的设定。
 
@@ -63,7 +63,7 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 > 用于每个`hue`色调的级别的线条风格。
 
-`dodge`：bool或float，可选
+`dodge`：bool 或 float，可选
 
 > 用于沿着分类轴分离`hue`变量的每个级别数据点的数量。
 
@@ -77,15 +77,15 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 `orient`：“v” &#124; “h”，可选
 
-> 控制绘图的方向（垂直或水平）。这通常是从输入变量的dtype推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
+> 控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。
 
-`color`：matplotlib颜色，可选
+`color`：matplotlib 颜色，可选
 
 > 所有元素的颜色，或渐变调色板的种子颜色。
 
 `palette`：调色板名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。可以从 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解释，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `errwidth`：float，可选
 
@@ -95,14 +95,14 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 > 误差线“上下限指示线”的宽度。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
-> 绘图时使用的Axes轴对象，否则使用当前Axes轴对象。
+> 绘图时使用的 Axes 轴对象，否则使用当前 Axes 轴对象。
 
 
-返回值：`ax`：matplotlib轴
+返回值：`ax`：matplotlib 轴
 
-> 返回Axes对轴象，并在其上绘制绘图。
+> 返回 Axes 对轴象，并在其上绘制绘图。
 
 
 
diff --git a/docs/2.md b/docs/2.md
index f0f9b2b18a1fe5f72d434da00f84fb081cdfa8f0..214c80cfec7298adfc346fad4fbc07b5e1f00e7c 100644
--- a/docs/2.md
+++ b/docs/2.md
@@ -2,7 +2,7 @@
 
 > 译者：[Neolei](https://github.com/neolei)
 
-为了安装最新版本的seaborn, 可以 `pip`命令:
+为了安装最新版本的 seaborn, 可以 `pip`命令:
 
 ```py
 pip install seaborn
@@ -14,13 +14,13 @@ pip install seaborn
 conda install seaborn
 ```
 
-或者，您可以使用 `pip` 直接从github安装开发版本:
+或者，您可以使用 `pip` 直接从 github 安装开发版本:
 
 ```py
 pip install git+https://github.com/mwaskom/seaborn.git
 ```
 
-另外的方法是从 [github仓库](https://github.com/mwaskom/seaborn) 下载，从本地安装:
+另外的方法是从 [github 仓库](https://github.com/mwaskom/seaborn) 下载，从本地安装:
 
 ```py
 pip install .
diff --git a/docs/20.md b/docs/20.md
index 085f0bcb2e9e74d41aa66d6d5bc918cb88e076b3..eab32f1a1b559ff660df3749a0cbb80de42ba365 100644
--- a/docs/20.md
+++ b/docs/20.md
@@ -1,37 +1,39 @@
 # seaborn.barplot
 
+> 译者：[melon-bun](https://github.com/melon-bun)
+
 ```py
 seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)
 ```
 
 条形图以矩形条的方式展示数据的点估值和置信区间
 
-条形图用每个矩形的高度来表示数值变量的集中趋势的估计值，并提供误差条来显示估计值得不确定度。条形图的纵轴是从零开始的，这对于0值是有意义的情况是非常好的。
+条形图用每个矩形的高度来表示数值变量的集中趋势的估计值，并提供误差条来显示估计值得不确定度。条形图的纵轴是从零开始的，这对于 0 值是有意义的情况是非常好的。
 
-对于数据集中的0值没有实际意义的情况，散点图可以让您专注于一个或多个分类变量之间的差异。
+对于数据集中的 0 值没有实际意义的情况，散点图可以让您专注于一个或多个分类变量之间的差异。
 
 要注意的是，条形图只显示平均值（或者其他的估计值），但是在大部分情况下，展示数值在不同分类变量上的分布会更有用。如果要表示出数据的分布，用箱型图或者小提琴图会更恰当。
 
 输入数据的格式可以不同，包括：
 
-*   以列表，numpy array或者pandas中的Series object 表示的向量。这些向量可以直接传入 `x`, `y`, 以及 `hue` 参数。
-*   长表, x值，y值和色相变量决定了数据是如何绘制的。
+*   以列表，numpy array 或者 pandas 中的 Series object 表示的向量。这些向量可以直接传入 `x`, `y`, 以及 `hue` 参数。
+*   长表, x 值，y 值和色相变量决定了数据是如何绘制的。
 *   宽表，每个列的数值都会被绘制出来.
 *   数组或者列表的向量。
 
-大多数情况下，您可以使用numpy的对象或者python的对象，但是用pandas对象更好，因为相关的列名会被标注在图标上。 另外，为了控制绘图元素 您也可以可以用分类类型来组合不同的变量。
+大多数情况下，您可以使用 numpy 的对象或者 python 的对象，但是用 pandas 对象更好，因为相关的列名会被标注在图标上。 另外，为了控制绘图元素 您也可以可以用分类类型来组合不同的变量。
 
 这个函数始终把一个变量当做分类变量，即使这个数据是数值类型或者日期类型，并且按照序数顺序绘制在相关的轴上。
 
-详情请看[教程](../tutorial/categorical.html#categorical-tutorial)。
+详情请看[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data` 中的变量名词或者向量, optional
 
-> 用于绘制long-form数据的变量名称.
+> 用于绘制 long-form 数据的变量名称.
 
 `data`：DataFrame, 数组, 数组列表, optional
 
-> 用于绘图的数据集。如果数据集有x和y，数据集会被认为是long-form，否则会被认为是wide-form。
+> 用于绘图的数据集。如果数据集有 x 和 y，数据集会被认为是 long-form，否则会被认为是 wide-form。
 
 `order, hue_order`：字符串列表, optional
 
@@ -43,15 +45,15 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
 
 `ci`：float or “sd” or None, optional
 
-> 估计值周围的置信区间大小。如果输入的是 “sd”（标准差），会跳过bootstrapping的过程，只绘制数据的标准差。 如果输入是的是`None`, 不会执行botstrapping，而且错误条也不会绘制。
+> 估计值周围的置信区间大小。如果输入的是 “sd”（标准差），会跳过 bootstrapping 的过程，只绘制数据的标准差。 如果输入是的是`None`, 不会执行 botstrapping，而且错误条也不会绘制。
 
 `n_boot`：int, optional
 
-> 计算置信区间需要的Boostrap迭代次数。
+> 计算置信区间需要的 Boostrap 迭代次数。
 
 `units`：name of variable in `data` or vector data, optional
 
-> 采样单元的标识符，用于执行多级bootstrap并解释重复测量设计。
+> 采样单元的标识符，用于执行多级 bootstrap 并解释重复测量设计。
 
 `orient`：“v” &#124; “h”, optional
 
@@ -63,7 +65,7 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
 
 `palette`：palette name, list, or dict, optional
 
-> 不同级别的 `hue` 变量的颜色。 颜色要能被 [`color_palette()`]解释(seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 或者一个能映射到matplotlib颜色的字典。
+> 不同级别的 `hue` 变量的颜色。 颜色要能被 [`color_palette()`]解释(seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 或者一个能映射到 matplotlib 颜色的字典。
 
 `saturation`：float, optional
 
@@ -87,7 +89,7 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
 
 `ax`：matplotlib Axes, optional
 
-> 指定一个Axes用于绘图，如果不指定，则使用当前的Axes。
+> 指定一个 Axes 用于绘图，如果不指定，则使用当前的 Axes。
 
 `kwargs`：key, value mappings
 
@@ -95,13 +97,13 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
 
 返回值：`ax`：matplotlib Axes
 
-> 返回有图表绘制的Axes对象。
+> 返回有图表绘制的 Axes 对象。
 
 
 
 See also
 
-显示每个分类bin中的观察计数。使用散点图图示符显示点估计和置信区间。将分类图与类相结合:<cite>FacetGrid</cite>.
+显示每个分类 bin 中的观察计数。使用散点图图示符显示点估计和置信区间。将分类图与类相结合:<cite>FacetGrid</cite>.
 
 Examples
 
@@ -224,7 +226,7 @@ Examples
 
 ![http://seaborn.pydata.org/_images/seaborn-barplot-12.png](img/20114eb58ca40a3ccf0b20f14f426c83.jpg)
 
-使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 来结合 [`barplot()`](#seaborn.barplot "seaborn.barplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid"). 这允许数据根据额外的类别变量分组。使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 比直接使用 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 更安全, 因为它可以确保变量在不同的facet之间保持同步:
+使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 来结合 [`barplot()`](#seaborn.barplot "seaborn.barplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid"). 这允许数据根据额外的类别变量分组。使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 比直接使用 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 更安全, 因为它可以确保变量在不同的 facet 之间保持同步:
 
 ```py
 >>> g = sns.catplot(x="sex", y="total_bill",
diff --git a/docs/21.md b/docs/21.md
index 3b9a65605ef1ceab89fbe715da38e3ebd633ca0e..b54e01490cb9581116d87498966e9869e21a4cfd 100644
--- a/docs/21.md
+++ b/docs/21.md
@@ -6,22 +6,22 @@
 seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)
 ```
 
-seaborn.countplot使用条形图显示每个类别中观测值的数量。
+seaborn.countplot 使用条形图显示每个类别中观测值的数量。
 
-这个函数可以被认为是针对类别变量的直方图。基本的API和选项与[`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot")完全相同，因此可以对比学习。
+这个函数可以被认为是针对类别变量的直方图。基本的 API 和选项与[`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot")完全相同，因此可以对比学习。
 
 可以通过多种格式传入数据，包括：
 
-*   通过列表、numpy数组、或者pandas Series对象表示的向量数据，数据直接传给`x`, `y`, 和/或`hue`参数。
-*   长格式的DataFrame，此时会通过`x`, `y`以及`hue`变量决定如何绘制数据。
-*   宽格式的DataFrame，此时每个数值型的column都会被绘制。
+*   通过列表、numpy 数组、或者 pandas Series 对象表示的向量数据，数据直接传给`x`, `y`, 和/或`hue`参数。
+*   长格式的 DataFrame，此时会通过`x`, `y`以及`hue`变量决定如何绘制数据。
+*   宽格式的 DataFrame，此时每个数值型的 column 都会被绘制。
 *   数组或者列表形式的向量
 
-在绝大多数情况下，数据格式都可以使用numpy或者Python对象，但是推荐使用pandas对象，因为pandas对象中相关的名称会被用于注释坐标轴。此外，可以通过设置分组变量为使用Categorical类型来控制绘制元素的顺序。
+在绝大多数情况下，数据格式都可以使用 numpy 或者 Python 对象，但是推荐使用 pandas 对象，因为 pandas 对象中相关的名称会被用于注释坐标轴。此外，可以通过设置分组变量为使用 Categorical 类型来控制绘制元素的顺序。
 
 这个函数总会将变量作为类别变量进行处理，按顺序(0, 1, ... n)在相应坐标轴绘制数据，即使数据为数值或者日期类型。
 
-更多信息参考[tutorial](../tutorial/categorical.html#categorical-tutorial). 
+更多信息参考[tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial). 
 
 参数：`x, y, hue`: `data`或者向量数据中的变量名，可选
 
@@ -37,15 +37,15 @@ seaborn.countplot使用条形图显示每个类别中观测值的数量。
 
 `orient`: “v” &#124; “h”, 可选
 
-> 绘制的朝向（竖直或者水平）。通过从输入变量的dtype进行推断。当类别变量是数值型或者绘制宽格式数据时，可以进行指定。
+> 绘制的朝向（竖直或者水平）。通过从输入变量的 dtype 进行推断。当类别变量是数值型或者绘制宽格式数据时，可以进行指定。
 
-`color`: matplotlib颜色，可选
+`color`: matplotlib 颜色，可选
 
 > 所有元素的颜色，或者渐变调色盘的种子。
 
 `palette`: 调色盘名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者将色调级别映射到 matplotlib 颜色的字典。
 
 `saturation`: float, 可选
 
@@ -55,7 +55,7 @@ seaborn.countplot使用条形图显示每个类别中观测值的数量。
 
 > 当使用色调嵌套时，决定是否沿着类别轴对元素进行移位。
 
-`ax`: matplotlib轴，可选
+`ax`: matplotlib 轴，可选
 
 > 绘制图像的轴对象，不指定时使用当前轴。
 
@@ -64,7 +64,7 @@ seaborn.countplot使用条形图显示每个类别中观测值的数量。
 > 其他关键字参数会被传递给`plt.bar`.
 
 
-返回值：`ax`: matplotlib轴
+返回值：`ax`: matplotlib 轴
 
 > 返回带有绘图的轴对象。
 
diff --git a/docs/22.md b/docs/22.md
index c6c61b488a77d8d6481ba43e3ce2fcb7b23dd19b..62a095aa46594f43cfbbf53a292ab6962776c80a 100644
--- a/docs/22.md
+++ b/docs/22.md
@@ -10,23 +10,23 @@ seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, h
 
 这个函数提供调用[`JointGrid`](seaborn.JointGrid.html#seaborn.JointGrid "seaborn.JointGrid")类的便捷接口，以及一些封装好的绘图类型。这是一个轻量级的封装，如果需要更多的灵活性，应当直接使用[`JointGrid`](seaborn.JointGrid.html#seaborn.JointGrid "seaborn.JointGrid").
 
-参数：`x, y`：strings或者vectors
+参数：`x, y`：strings 或者 vectors
 
 > `data`中的数据或者变量名。
 
 `data`：DataFrame, 可选
 
-> 当`x`和`y`为变量名时的DataFrame.
+> 当`x`和`y`为变量名时的 DataFrame.
 
 `kind`：{ “scatter” &#124; “reg” &#124; “resid” &#124; “kde” &#124; “hex” }, 可选
 
 > 绘制图像的类型。
 
-`stat_func`：可调用的，或者None, 可选
+`stat_func`：可调用的，或者 None, 可选
 
 > 已过时
 
-`color`：matplotlib颜色, 可选
+`color`：matplotlib 颜色, 可选
 
 > 用于绘制元素的颜色。
 
@@ -44,7 +44,7 @@ seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, h
 
 `dropna`：bool, 可选
 
-> 如果为True, 移除`x`和`y`中的缺失值。
+> 如果为 True, 移除`x`和`y`中的缺失值。
 
 `{x, y}lim`：two-tuples, 可选
 
@@ -67,7 +67,7 @@ seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, h
 
 参考
 
-绘制图像的Grid类。如果需要更多的灵活性，可以直接使用Grid类。
+绘制图像的 Grid 类。如果需要更多的灵活性，可以直接使用 Grid 类。
 
 示例
 
@@ -123,7 +123,7 @@ seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, h
 
 ![http://seaborn.pydata.org/_images/seaborn-jointplot-5.png](img/b6895c87c4fa5a7fa1dc151dc3e5b385.jpg)
 
-不适用Pandas, 直接传输向量，随后给轴命名:
+不适用 Pandas, 直接传输向量，随后给轴命名:
 
 ```py
 >>> x, y = np.random.randn(2, 300)
diff --git a/docs/23.md b/docs/23.md
index cc5ecb043ad4b247610801916bd1b98e1e46b716..44f9baa35a9dbfdd1d1cc30eee0bc8fbbcb85b92 100644
--- a/docs/23.md
+++ b/docs/23.md
@@ -1,83 +1,82 @@
 # seaborn.pairplot
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```py
 seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None)
 ```
 
-Plot pairwise relationships in a dataset.
-
-By default, this function will create a grid of Axes such that each variable in `data` will by shared in the y-axis across a single row and in the x-axis across a single column. The diagonal Axes are treated differently, drawing a plot to show the univariate distribution of the data for the variable in that column.
+绘制数据集中的成对关系
 
-It is also possible to show a subset of variables or plot different variables on the rows and columns.
+默认情况下，此函数将创建一个 Axes 网络，以便`data`中的每个变量将在 y 轴上共享一行，并在 x 轴上共享一列。对角轴的处理方式并不同，以此绘制一个图表来显示该列中变量的数据的单变量分布。
 
-This is a high-level interface for [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") that is intended to make it easy to draw a few common styles. You should use [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") directly if you need more flexibility.
+还可以显示变量的子集或在行和列上绘制不同的变量。
 
-参数：`data`：DataFrame
+这是[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")的高级界面，旨在简化一些常见的样式。如果你需要更多的灵活性，你应该直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")。
 
-> Tidy (long-form) dataframe where each column is a variable and each row is an observation.
+参数：`data`：数据框架
 
-`hue`：string (variable name), optional
+> 整洁（长形式）数据框，其中每列是变量，每行是观察量。
 
-> Variable in `data` to map plot aspects to different colors.
+`hue`：字符串（变量名），可选。
 
-`hue_order`：list of strings
+> `data`中的变量将绘图方面映射到不同的颜色。
 
-> Order for the levels of the hue variable in the palette
+`hue_order`：字符串列表。
 
-`palette`：dict or seaborn color palette
+> 命令调色板中的色调变量的级别。
 
-> Set of colors for mapping the `hue` variable. If a dict, keys should be values in the `hue` variable.
+`palette`：字典或 seaborn 调色板。
 
-`vars`：list of variable names, optional
+> 用于映射`hue`变量的颜色集。如果是字典，关键字应该是`hue`变量中的值。
 
-> Variables within `data` to use, otherwise use every column with a numeric datatype.
+`vars`：变量名列表，可选。
 
-`{x, y}_vars`：lists of variable names, optional
+> 要使用的`data`中的变量，否则每一列使用数字的数据类型。
 
-> Variables within `data` to use separately for the rows and columns of the figure; i.e. to make a non-square plot.
+`{x, y}_vars`：变量名列表，可选。
 
-`kind`：{‘scatter’, ‘reg’}, optional
+> `data`中的变量分别用于图的行和列；即制作非方形图。
 
-> Kind of plot for the non-identity relationships.
+`kind`：{‘scatter’, ‘reg’}, 可选。
 
-`diag_kind`：{‘auto’, ‘hist’, ‘kde’}, optional
+> 一种非等同关系的图类型
 
-> Kind of plot for the diagonal subplots. The default depends on whether `"hue"` is used or not.
+`diag_kind`：{‘auto’, ‘hist’, ‘kde’}, 可选
 
-`markers`：single matplotlib marker code or list, optional
+> 对角线子图的一种图形。默认值取决于是否使用`hue`。
 
-> Either the marker to use for all datapoints or a list of markers with a length the same as the number of levels in the hue variable so that differently colored points will also have different scatterplot markers.
+`markers`：单个 matplotlit 标记代码或列表，可选
 
-`height`：scalar, optional
+> 要么是用于所有数据点的标记，要么是长度和色调变量中的级别数相同的标记列表，这样不同颜色的点也会有不同的散点图标记。
 
-> Height (in inches) of each facet.
+`height`：标量，可选。
 
-`aspect`：scalar, optional
+> 每个刻面的高度（以英寸为单位）
 
-> Aspect * height gives the width (in inches) of each facet.
+`aspect`：标量，可选。
 
-`dropna`：boolean, optional
+> Aspect\*height 给出每个刻面的宽度（以英寸为单位）
 
-> Drop missing values from the data before plotting.
+`dropna`：布尔值，可选。
 
-`{plot, diag, grid}_kws`：dicts, optional
+> 在绘图之前删除数据中的缺失值。
 
-> Dictionaries of keyword arguments.
+`{plot, diag, grid}_kws`：字典，可选。
 
+> 关键字参数的字典。
 
 返回值：`grid`：PairGrid
 
-> Returns the underlying `PairGrid` instance for further tweaking.
-
-
+> 返回底层的`PairGrid`实例以进一步调整。
 
-See also
+也可以看看
 
-Subplot grid for more flexible plotting of pairwise relationships.
+子图网络可以更灵活地绘制成对关系。
 
-Examples
+范例
 
-Draw scatterplots for joint relationships and histograms for univariate distributions:
+绘制联合关系地散点图和单变量分布的直方图：
 
 ```py
 >>> import seaborn as sns; sns.set(style="ticks", color_codes=True)
@@ -88,7 +87,7 @@ Draw scatterplots for joint relationships and histograms for univariate distribu
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-1.png](img/712c7f2cff4ed2c31b99bf5200838ae1.jpg)
 
-Show different levels of a categorical variable by the color of plot elements:
+通过绘图元素的颜色显示分类变量的不同级别：
 
 ```py
 >>> g = sns.pairplot(iris, hue="species")
@@ -97,7 +96,7 @@ Show different levels of a categorical variable by the color of plot elements:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-2.png](img/98c1e58e7427e940294084d2b4582ac8.jpg)
 
-Use a different color palette:
+使用不同的调色板：
 
 ```py
 >>> g = sns.pairplot(iris, hue="species", palette="husl")
@@ -106,7 +105,7 @@ Use a different color palette:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-3.png](img/f6d3d4030bc93eefcb054749cf90c36b.jpg)
 
-Use different markers for each level of the hue variable:
+为`hue`变量的每个级别使用不同的标记：
 
 ```py
 >>> g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"])
@@ -115,7 +114,7 @@ Use different markers for each level of the hue variable:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-4.png](img/6840daa5bd6d421f05969aeb76c74032.jpg)
 
-Plot a subset of variables:
+绘制变量的子集：
 
 ```py
 >>> g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"])
@@ -124,7 +123,7 @@ Plot a subset of variables:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-5.png](img/87b11c84b7ec8551c2edf9a2ef987014.jpg)
 
-Draw larger plots:
+绘制更大的图：
 
 ```py
 >>> g = sns.pairplot(iris, height=3,
@@ -134,7 +133,7 @@ Draw larger plots:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-6.png](img/5e89b880399cf894d124b590416e7fb5.jpg)
 
-Plot different variables in the rows and columns:
+在行和列中绘制不同的变量：
 
 ```py
 >>> g = sns.pairplot(iris,
@@ -145,7 +144,7 @@ Plot different variables in the rows and columns:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-7.png](img/35f33d0939e4e10f46437f5690ad766b.jpg)
 
-Use kernel density estimates for univariate plots:
+对单变量图使用核密度估计：
 
 ```py
 >>> g = sns.pairplot(iris, diag_kind="kde")
@@ -154,7 +153,7 @@ Use kernel density estimates for univariate plots:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-8.png](img/cc2c3fb8414e50f2d9f95ab073457c23.jpg)
 
-Fit linear regression models to the scatter plots:
+将线性回归模型拟合到散点图：
 
 ```py
 >>> g = sns.pairplot(iris, kind="reg")
@@ -163,7 +162,7 @@ Fit linear regression models to the scatter plots:
 
 ![http://seaborn.pydata.org/_images/seaborn-pairplot-9.png](img/74befbc8e8cbc89474dd845fb49329ca.jpg)
 
-Pass keyword arguments down to the underlying functions (it may be easier to use [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") directly):
+将关键字参数传递给底层函数（直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")可能更容易）
 
 ```py
 >>> g = sns.pairplot(iris, diag_kind="kde", markers="+",
@@ -172,4 +171,4 @@ Pass keyword arguments down to the underlying functions (it may be easier to use
 
 ```
 
-![http://seaborn.pydata.org/_images/seaborn-pairplot-10.png](img/0b688ef9f59240384ca84839d9707ce7.jpg)
\ No newline at end of file
+![http://seaborn.pydata.org/_images/seaborn-pairplot-10.png](img/0b688ef9f59240384ca84839d9707ce7.jpg)
diff --git a/docs/24.md b/docs/24.md
index d4021cb8e488dde77a9d17d524f5ece59d6c42dc..04072f1e139502fe00a67080634d5b8d26aa255b 100644
--- a/docs/24.md
+++ b/docs/24.md
@@ -8,15 +8,15 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 
 灵活绘制单变量观测值分布图。
 
-该函数结合了matplotlib中的 `hist`函数（自动计算一个默认的合适的bin大小）、seaborn的[`kdeplot()`](seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")和[`rugplot()`](seaborn.rugplot.html#seaborn.rugplot "seaborn.rugplot")函数。它还可以拟合`scipy.stats`分布并在数据上绘制估计的PDF（概率分布函数）。
+该函数结合了 matplotlib 中的 `hist`函数（自动计算一个默认的合适的 bin 大小）、seaborn 的[`kdeplot()`](seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")和[`rugplot()`](seaborn.rugplot.html#seaborn.rugplot "seaborn.rugplot")函数。它还可以拟合`scipy.stats`分布并在数据上绘制估计的 PDF（概率分布函数）。
 
-参数：`a`：Series、1维数组或者列表。 
+参数：`a`：Series、1 维数组或者列表。 
 
-> 观察数据。如果是具有`name`属性的Series对象，则该名称将用于标记数据轴。
+> 观察数据。如果是具有`name`属性的 Series 对象，则该名称将用于标记数据轴。
 
-`bins`：matplotlib hist()的参数，或None。可选参数。  
+`bins`：matplotlib hist()的参数，或 None。可选参数。  
 
-> 直方图bins（柱）的数目，若填None，则默认使用Freedman-Diaconis规则指定柱的数目。
+> 直方图 bins（柱）的数目，若填 None，则默认使用 Freedman-Diaconis 规则指定柱的数目。
 
 `hist`：布尔值，可选参数。
 
@@ -32,7 +32,7 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 
 `fit`：随机变量对象，可选参数。
 
-> 一个带有*fit*方法的对象，返回一个元组，该元组可以传递给*pdf*方法一个位置参数，该位置参数遵循一个值的网格用于评估pdf。
+> 一个带有*fit*方法的对象，返回一个元组，该元组可以传递给*pdf*方法一个位置参数，该位置参数遵循一个值的网格用于评估 pdf。
 
 `{hist, kde, rug, fit}_kws`：字典，可选参数。
 
@@ -44,15 +44,15 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 
 `vertical`：布尔值，可选参数。
 
-> 如果为True，则观测值在y轴显示。
+> 如果为 True，则观测值在 y 轴显示。
 
 `norm_hist`：布尔值，可选参数。
 
-> 如果为True，则直方图的高度显示密度而不是计数。如果绘制KDE图或拟合密度，则默认为True。
+> 如果为 True，则直方图的高度显示密度而不是计数。如果绘制 KDE 图或拟合密度，则默认为 True。
 
-`axlabel`：字符串，False或者None，可选参数。
+`axlabel`：字符串，False 或者 None，可选参数。
 
-> 横轴的名称。如果为None，将尝试从a.name获取它；如果为False，则不设置标签。
+> 横轴的名称。如果为 None，将尝试从 a.name 获取它；如果为 False，则不设置标签。
 
 `label`：字符串，可选参数。
 
@@ -64,7 +64,7 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 
 返回值：`ax`：matplotlib Axes
 
-> 返回Axes对象以及用于进一步调整的绘图。
+> 返回 Axes 对象以及用于进一步调整的绘图。
 
 **另请参见**
 
@@ -78,7 +78,7 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 
 **范例**
 
-显示具有核密度估计的默认图和使用参考规则自动确定bin大小的直方图：
+显示具有核密度估计的默认图和使用参考规则自动确定 bin 大小的直方图：
 ```py
 >>> import seaborn as sns, numpy as np
 >>> sns.set(); np.random.seed(0)
@@ -88,7 +88,7 @@ seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kw
 ```
 ![http://seaborn.pydata.org/_images/seaborn-distplot-1.png](img/dfbc2ec93ea21c479448cd2e25976945.jpg)
 
-使用Pandas对象获取信息轴标签：
+使用 Pandas 对象获取信息轴标签：
 
 ```py
 >>> import pandas as pd
diff --git a/docs/25.md b/docs/25.md
index 6e596970b28f957b551e22b652f1717443b542ef..6ff8fda570d443cf9697b3a9ebfdc57b651d5f6a 100644
--- a/docs/25.md
+++ b/docs/25.md
@@ -14,19 +14,19 @@ seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw=
 
 **data2：一维阵列，可选。
 
-> 第二输入数据。如果存在，将估计双变量KDE。 
+> 第二输入数据。如果存在，将估计双变量 KDE。 
 
 `shade`：布尔值，可选参数。
 
-> 如果为True，则在KDE曲线下方的区域中增加阴影（或者在数据为双变量时使用填充的轮廓绘制）。
+> 如果为 True，则在 KDE 曲线下方的区域中增加阴影（或者在数据为双变量时使用填充的轮廓绘制）。
 
 `vertical`：布尔值，可选参数。
 
-> 如果为True，密度图将显示在x轴。
+> 如果为 True，密度图将显示在 x 轴。
 
 `kernel`：{‘gau’ &#124; ‘cos’ &#124; ‘biw’ &#124; ‘epa’ &#124; ‘tri’ &#124; ‘triw’ }，可选参数
 
->  要拟合的核的形状代码，双变量KDE只能使用高斯核。
+>  要拟合的核的形状代码，双变量 KDE 只能使用高斯核。
 
 `bw`：{‘scott’ &#124; ‘silverman’ &#124; scalar &#124; pair of scalars }，可选参数
 
@@ -42,23 +42,23 @@ seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw=
 
 `clip`：一对标量，可选参数。
 
-> 用于拟合KDE图的数据点的上下限值。可以为双变量图提供一对（上，下）边界。
+> 用于拟合 KDE 图的数据点的上下限值。可以为双变量图提供一对（上，下）边界。
 
 `legend`：布尔值，可选参数。
 
-> 如果为True，为绘制的图像添加图例或者标记坐标轴。
+> 如果为 True，为绘制的图像添加图例或者标记坐标轴。
 
 `cumulative`：布尔值，可选参数。
 
-> 如果为True，则绘制kde估计图的累积分布。
+> 如果为 True，则绘制 kde 估计图的累积分布。
 
 `shade_lowest`：布尔值，可选参数。
 
-> 如果为True，则屏蔽双变量KDE图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时，可将此参数设置为“False”。
+> 如果为 True，则屏蔽双变量 KDE 图的最低轮廓。绘制单变量图或“shade = False”时无影响。当你想要在同一轴上绘制多个密度时，可将此参数设置为“False”。
 
 `cbar`：布尔值，可选参数。
 
-> 如果为True并绘制双变量KDE图，为绘制的图像添加颜色条。
+> 如果为 True 并绘制双变量 KDE 图，为绘制的图像添加颜色条。
 
 `cbar_ax`：matplotlib axes，可选参数。
 
diff --git a/docs/26.md b/docs/26.md
index de10b8942c8e28b0ca84ebf0ba15bcc059b8ff84..a5b96648a4c43f31da1f6a6c5b7a59fda29122d6 100644
--- a/docs/26.md
+++ b/docs/26.md
@@ -10,7 +10,7 @@ seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)
 
 参数：`a`：向量
 
-> 1维的观察数组。
+> 1 维的观察数组。
 
 `height`：标量, 可选
 
@@ -18,7 +18,7 @@ seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)
 
 `axis`：{‘x’ &#124; ‘y’}, 可选
 
-> 需要画rugplot的坐标轴
+> 需要画 rugplot 的坐标轴
 
 `ax`：matplotlib 轴, 可选
 
@@ -29,7 +29,7 @@ seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)
 > 被传递给`LineCollection`的其他关键字参数。
 
 
-返回值：`ax`：matplotlib Axex对象
+返回值：`ax`：matplotlib Axex 对象
 
-> 在其上进行绘图的Axex对象。
+> 在其上进行绘图的 Axex 对象。
 
diff --git a/docs/27.md b/docs/27.md
index 60651629c1565ddc2fa9c56ca19d08fc9b1c0a60..82cd312c4f793c4e5196a87bf9735b271d599afa 100644
--- a/docs/27.md
+++ b/docs/27.md
@@ -6,13 +6,13 @@
 seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)
 ```
 
-在FacetGrid对象上绘制数据和回归模型。
+在 FacetGrid 对象上绘制数据和回归模型。
 
 这个函数结合了 [`regplot()`](seaborn.regplot.html#seaborn.regplot "seaborn.regplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")。 它预期作为一个能够将回归模型运用在数据集处于不同条件下的子数据集的方便的接口
 
 在考虑如何将变量分配到不同方面时，一般规则是使用 `hue` 进行最重要的比较，然后使用  `col`  和  `row `。 但是，请始终考虑您的特定数据集以及您正在创建的可视化目标。
 
-估算回归模型有许多互斥的选项。 有关详细信息，请参阅 [tutorial](../tutorial/regression.html#regression-tutorial) 。
+估算回归模型有许多互斥的选项。 有关详细信息，请参阅 [tutorial](http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial) 。
 
 此函数的参数涵盖了 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")中的大多数选项，尽管这样，偶尔还是会出现您需要直接使用该类和 [`regplot()`](seaborn.regplot.html#seaborn.regplot "seaborn.regplot") 的情况。
 
@@ -22,7 +22,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `data`：DataFrame
 
-> Tidy (“long-form”)格式的DataFrame，其中每列为一个变量，每行为一个观测样本。
+> Tidy (“long-form”)格式的 DataFrame，其中每列为一个变量，每行为一个观测样本。
 
 `hue, col, row`：字符串
 
@@ -30,7 +30,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `palette`： 调色板名称，列表或字典，可选
 
-> 用于`hue`变量的不同级别的颜色。 应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者是将色调级别映射到matplotlib颜色的字典。
+> 用于`hue`变量的不同级别的颜色。 应该是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。
 
 `col_wrap`：整数，可选
 
@@ -44,17 +44,17 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 > 每个分面（facet）的纵横比，因此`aspect * height`给出每个分面（facet）的宽度，单位为英寸。
 
-`markers`：matplotlib标记代码或标记代码列表，可选
+`markers`：matplotlib 标记代码或标记代码列表，可选
 
 > 散点图的标记。如果是列表，列表中的每个标记将用于`hue`变量的每个级别。
 
 `share{x,y}`：布尔值，‘col’,或 ‘row’ ，可选
 
-> 如果为true，则分面（facet）之间将跨列共享y轴和/或跨行共享x轴。
+> 如果为 true，则分面（facet）之间将跨列共享 y 轴和/或跨行共享 x 轴。
 
 `{hue,col,row}_order`：列表，可选
 
-> 分面变量的级别顺序。在默认情况下，这将是级别在“data”中出现的顺序，或者，如果变量是pandas的分类类别变量，则为类别的顺序。
+> 分面变量的级别顺序。在默认情况下，这将是级别在“data”中出现的顺序，或者，如果变量是 pandas 的分类类别变量，则为类别的顺序。
 
 `legend`：布尔值，可选
 
@@ -72,9 +72,9 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 > 将`x`变量加入离散区间，然后估计中心趋势和置信区间。 此分箱仅影响散点图的绘制方式; 回归仍然适合原始数据。该参数被解释为均匀大小（不必要间隔）的箱的数量或箱中心的位置。使用此参数时，它意味着`x_estimator`的默认值为`numpy.mean`。
 
-`x_ci`：“ci”。“sd”， 在[0,100]间的整数或None，可选
+`x_ci`：“ci”。“sd”， 在[0,100]间的整数或 None，可选
 
-> 绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为`“ci”`，遵循`ci`参数的值。 如果是“sd”，则跳过bootstrapping并显示每个bin中观察值的标准偏差。
+> 绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为`“ci”`，遵循`ci`参数的值。 如果是“sd”，则跳过 bootstrapping 并显示每个 bin 中观察值的标准偏差。
 
 `scatter`：布尔值，可选
 
@@ -84,9 +84,9 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 > 如果为 `True`，则估计并绘制与 `x` 和 `y` 变量相关的回归模型。
 
-`ci`：在[0,100]间的整数或None，可选
+`ci`：在[0,100]间的整数或 None，可选
 
-> 回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法（bootstrap）估计置信区间; 对于大型数据集，建议通过将此参数设置为None来避免该计算。
+> 回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法（bootstrap）估计置信区间; 对于大型数据集，建议通过将此参数设置为 None 来避免该计算。
 
 `n_boot`：整数，可选
 
@@ -98,7 +98,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `order`：整数，可选
 
-> 如果`order`大于1，使用`numpy.polyfit`来估计多项式回归。
+> 如果`order`大于 1，使用`numpy.polyfit`来估计多项式回归。
 
 `logistic`：布尔值，可选
 
@@ -106,7 +106,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `lowess`：布尔值，可选
 
-> 如果为“True”，则使用`statsmodels`来估计非参数lowess模型（局部加权线性回归）。 请注意，目前无法为此类模型绘制置信区间。
+> 如果为“True”，则使用`statsmodels`来估计非参数 lowess 模型（局部加权线性回归）。 请注意，目前无法为此类模型绘制置信区间。
 
 `robust`：布尔值，可选
 
@@ -114,7 +114,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `logx`：布尔值，可选
 
-> 如果为 `True`，则估计形式y~log（x）的线性回归，但在输入空间中绘制散点图和回归模型。 请注意，`x`必须为正才能正常工作。
+> 如果为 `True`，则估计形式 y~log（x）的线性回归，但在输入空间中绘制散点图和回归模型。 请注意，`x`必须为正才能正常工作。
 
 `{x,y}_partial`： `data`中的字符串或矩阵
 
@@ -122,7 +122,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 `truncate`：布尔值，可选
 
-> 默认情况下，绘制回归线以在绘制散点图后填充x轴限制。 如果`truncate`是`True`，它将改为受到数据本身限制的限制。
+> 默认情况下，绘制回归线以在绘制散点图后填充 x 轴限制。 如果`truncate`是`True`，它将改为受到数据本身限制的限制。
 
 `{x,y}_jitter`：浮点数，可选
 
@@ -136,7 +136,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 也可以查看
 
-绘制数据和条件模型fit.Subplot网格用于绘制条件关系。合并  [`regplot()`](seaborn.regplot.html#seaborn.regplot "seaborn.regplot") 和 [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") （与`kind =“reg”`一起使用时）。
+绘制数据和条件模型 fit.Subplot 网格用于绘制条件关系。合并  [`regplot()`](seaborn.regplot.html#seaborn.regplot "seaborn.regplot") 和 [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") （与`kind =“reg”`一起使用时）。
 
 注意
 
diff --git a/docs/28.md b/docs/28.md
index 3c3fadfc34a301bd54aac79d0cdb192ebb9dee89..dc6e6c4238caf74af99cbf8f56291396a054fdcf 100644
--- a/docs/28.md
+++ b/docs/28.md
@@ -8,15 +8,15 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 绘制数据和线性回归模型拟合。
 
-估算回归模型有许多互斥的选项。查看这个[教程](../tutorial/regression.html#regression-tutorial) 来了解更多的信息。
+估算回归模型有许多互斥的选项。查看这个[教程](http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial) 来了解更多的信息。
 
 参数：**x，y：字符串，序列（series）或者是向量数组（vector array）**
 
-> 输入变量。 如果是字符串，应该与`data`中的列名相对应。 使用pandas对象时，轴将被Series的名字标记。
+> 输入变量。 如果是字符串，应该与`data`中的列名相对应。 使用 pandas 对象时，轴将被 Series 的名字标记。
 
 `data`：DataFrame
 
-> Tidy (“long-form”)格式的DataFrame，其中每列为一个变量，每行为一个观测样本。
+> Tidy (“long-form”)格式的 DataFrame，其中每列为一个变量，每行为一个观测样本。
 
 `x_estimator`：可调用的映射向量 -&gt;标量，可选 
 
@@ -26,9 +26,9 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 > 将`x`变量加入离散区间，然后估计中心趋势和置信区间。 此分箱仅影响散点图的绘制方式; 回归仍然适合原始数据。该参数被解释为均匀大小（不必要间隔）的箱的数量或箱中心的位置。使用此参数时，它意味着`x_estimator`的默认值为`numpy.mean`。
 
-`x_ci`："ci"，'sd'，位于 [0, 100]之间的整数或None，可选
+`x_ci`："ci"，'sd'，位于 [0, 100]之间的整数或 None，可选
 
-> 绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为`“ci”`，遵循`ci`参数的值。 如果是“sd”，则跳过bootstrapping并显示每个bin中观察值的标准偏差。
+> 绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为`“ci”`，遵循`ci`参数的值。 如果是“sd”，则跳过 bootstrapping 并显示每个 bin 中观察值的标准偏差。
 
 `scatter`：布尔值，可选
 
@@ -38,9 +38,9 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 > 如果为 `True`，则估计并绘制与 `x` 和 `y` 变量相关的回归模型。
 
-`ci`：位于 [0, 100]之间的整数或None，可选
+`ci`：位于 [0, 100]之间的整数或 None，可选
 
-> 回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法（bootstrap）估计置信区间; 对于大型数据集，建议通过将此参数设置为None来避免该计算。
+> 回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法（bootstrap）估计置信区间; 对于大型数据集，建议通过将此参数设置为 None 来避免该计算。
 
 `n_boot`：整数，可选
 
@@ -52,7 +52,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 `order`：整数，可选
 
-> 如果`order`大于1，使用`numpy.polyfit`来估计多项式回归。
+> 如果`order`大于 1，使用`numpy.polyfit`来估计多项式回归。
 
 `logistic`：布尔值，可选
 
@@ -60,7 +60,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 `lowess`：布尔值，可选
 
-> 如果为“True”，则使用`statsmodels`来估计非参数lowess模型（局部加权线性回归）。 请注意，目前无法为此类模型绘制置信区间。
+> 如果为“True”，则使用`statsmodels`来估计非参数 lowess 模型（局部加权线性回归）。 请注意，目前无法为此类模型绘制置信区间。
 
 `robust`：布尔值，可选
 
@@ -68,7 +68,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 `logx`：布尔值，可选
 
-> 如果为 `True`，则估计形式y~log（x）的线性回归，但在输入空间中绘制散点图和回归模型。 请注意，`x`必须为正才能正常工作。
+> 如果为 `True`，则估计形式 y~log（x）的线性回归，但在输入空间中绘制散点图和回归模型。 请注意，`x`必须为正才能正常工作。
 
 `{x,y}_partial`： `data` 中的字符串或矩阵
 
@@ -76,7 +76,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 `truncate`：布尔值，可选
 
-> 默认情况下，绘制回归线以在绘制散点图后填充x轴限制。 如果`truncate`是`True`，它将改为受到数据本身限制的限制。
+> 默认情况下，绘制回归线以在绘制散点图后填充 x 轴限制。 如果`truncate`是`True`，它将改为受到数据本身限制的限制。
 
 `{x,y}_jitter`：浮点数，可选
 
@@ -90,7 +90,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 > 适用于所有绘图元素的颜色; 将被`scatter_kws`或`line_kws`中传递的颜色取代。
 
-`marker`：matplotlib标记代码或标记代码列表，可选
+`marker`：matplotlib 标记代码或标记代码列表，可选
 
 > 散点图的标记。
 
@@ -98,14 +98,14 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 > 传递给`plt.scatter`和`plt.plot`的附加关键字参数。
 
-`ax`：matplotlib Axes对象，可选
+`ax`：matplotlib Axes 对象，可选
 
 > 绘制到指定轴对象，否则在当前轴对象上绘图。
 
 
-返回值：`ax`：matplotlib Axes对象
+返回值：`ax`：matplotlib Axes 对象
 
-> 包含了图像的Axes对象。
+> 包含了图像的 Axes 对象。
 
 
 
@@ -121,7 +121,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 例子
 
-绘制DataFrame中两个变量之间的关系：
+绘制 DataFrame 中两个变量之间的关系：
 
 ```py
 >>> import seaborn as sns; sns.set(color_codes=True)
@@ -132,7 +132,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 ![http://seaborn.pydata.org/_images/seaborn-regplot-1.png](img/99b1873131479cf9f24377991b06cbdb.jpg)
 
-利用两个定义为numpy数组的变量进行绘图; 使用不同的颜色：
+利用两个定义为 numpy 数组的变量进行绘图; 使用不同的颜色：
 
 ```py
 >>> import numpy as np; np.random.seed(8)
@@ -144,7 +144,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 ![http://seaborn.pydata.org/_images/seaborn-regplot-2.png](img/b6422e805157f85b21973dd3266dcb3f.jpg)
 
-利用两个定义为pandas Series的变量来进行绘图; 使用不同的标记：
+利用两个定义为 pandas Series 的变量来进行绘图; 使用不同的标记：
 
 ```py
 >>> import pandas as pd
@@ -155,7 +155,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 ![http://seaborn.pydata.org/_images/seaborn-regplot-3.png](img/2749fd423c61cc0419daeeec8d8aa467.jpg)
 
-使用68％置信区间，该区间对应于估计的标准误差：
+使用 68％置信区间，该区间对应于估计的标准误差：
 
 ```py
 >>> ax = sns.regplot(x=x, y=y, ci=68)
@@ -215,7 +215,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 ![http://seaborn.pydata.org/_images/seaborn-regplot-9.png](img/83369998db2c4eb1e99c856c538f5cb2.jpg)
 
-对数据运用逻辑回归; 抖动y变量并使用较少的bootstrap迭代：
+对数据运用逻辑回归; 抖动 y 变量并使用较少的 bootstrap 迭代：
 
 ```py
 >>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175
diff --git a/docs/29.md b/docs/29.md
index 96718a4628ca6ea8106f7cc9a2c9b86b428b5ec8..ae9c4cafff8dffe5d755ba81d5ab10909b693b97 100644
--- a/docs/29.md
+++ b/docs/29.md
@@ -8,7 +8,7 @@ seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None,
 
 绘制线性回归的残差。
 
-此函数将在x上回归y（可能作为鲁棒或多项式回归），然后绘制残差的散点图。 你可以选择将局部加权回归散点平滑法（LOWESS）拟合到残差图，这有助于确定残差是否存在结构。
+此函数将在 x 上回归 y（可能作为鲁棒或多项式回归），然后绘制残差的散点图。 你可以选择将局部加权回归散点平滑法（LOWESS）拟合到残差图，这有助于确定残差是否存在结构。
 
 参数：`x`： 向量或字符串
 
@@ -20,7 +20,7 @@ seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None,
 
 `data`：DataFrame, 可选
 
-> 如果 *x* 和 *y* 是列名，则指定使用的DataFrame
+> 如果 *x* 和 *y* 是列名，则指定使用的 DataFrame
 
 `lowess`： 布尔值, 可选
 
@@ -28,7 +28,7 @@ seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None,
 
 `{x, y}_partial`：矩阵或字符串，可选
 
-> 具有与x相同的第一维的矩阵或数据中的列名称。这些变量被视为有误的，并在绘制之前从x或y变量中删除。
+> 具有与 x 相同的第一维的矩阵或数据中的列名称。这些变量被视为有误的，并在绘制之前从 x 或 y 变量中删除。
 
 `order`：整数，可选
 
@@ -40,7 +40,7 @@ seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None,
 
 `dropna`：布尔值，可选
 
-> 如果为True，则在拟合和绘图时忽略缺少的数据。
+> 如果为 True，则在拟合和绘图时忽略缺少的数据。
 
 `label`：字符串，可选
 
@@ -54,12 +54,12 @@ seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None,
 
 > 用于绘制图像的组件而传递给 scatter() 和 plot() 的其他关键字参数。
 
-`ax`：matplotlib轴，可选
+`ax`：matplotlib 轴，可选
 
 > 绘制到指定轴对象，否则在当前轴对象上绘图，如果轴不存在则创建一个新轴。
 
 
-返回值：ax：matplotlib Axes对象
+返回值：ax：matplotlib Axes 对象
 
 > 带有回归图像的轴对象
 
diff --git a/docs/3.md b/docs/3.md
index b125c7bbaf5d68d2681c12e7a0e0aababfa6ea15..aaad3da58807614a92733ad9761c10f46c367f3b 100644
--- a/docs/3.md
+++ b/docs/3.md
@@ -4,7 +4,7 @@
 
 统计分析是了解数据集中的变量如何相互关联以及这些关系如何依赖于其他变量的过程。可视化是此过程的核心组件，这是因为当数据被恰当地可视化时，人的视觉系统可以看到指示关系的趋势和模式。
 
-我们将在本教程中讨论三个seaborn函数。我们最常用的是[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")。这是一个[figure-level](../introduction.html#intro-func-types)的函数，可以用散点图和线图两种通用的方法来可视化统计关系。[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")将[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 与两个[axes-level]()函数组合在一起:
+我们将在本教程中讨论三个 seaborn 函数。我们最常用的是[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")。这是一个[figure-level](../introduction.html#intro-func-types)的函数，可以用散点图和线图两种通用的方法来可视化统计关系。[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")将[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 与两个[axes-level]()函数组合在一起:
 
 *   [`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot") (`kind="scatter"`; 默认值)
 *   [`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")(`kind="line"`)
@@ -24,7 +24,7 @@ sns.set(style="darkgrid")
 
 散点图是数据可视化的支柱，它通过点云描绘了两个变量的联合分布，其中每个点代表数据集中的一个观测值。这种描述能够使我们通过视觉推断出许多信息，他们之间是否存在任何有意义的关系。
 
-在seaborn中有多种方式绘制散点图。当两个变量的是数值型时，最基本的是函数[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")。在 [类别可视化](categorical.html#categorical-tutorial)，我们将会看到使用散点图来显示类别数据的专用工具。[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")是[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")中`kind`的默认类型(也可以通过`kind="scatter"`来设置):
+在 seaborn 中有多种方式绘制散点图。当两个变量的是数值型时，最基本的是函数[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")。在 [类别可视化](categorical.html#categorical-tutorial)，我们将会看到使用散点图来显示类别数据的专用工具。[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")是[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")中`kind`的默认类型(也可以通过`kind="scatter"`来设置):
 
 ```py
 tips = sns.load_dataset("tips")
@@ -34,7 +34,7 @@ sns.relplot(x="total_bill", y="tip", data=tips);
 
 ![http://seaborn.pydata.org/_images/relational_4_0.png](img/da2b66e95b2bbd08f2c58046234e97b1.jpg)
 
-虽然这些点是以二维绘制的，但可以通过根据第三个变量对点进行着色来将另一个维度添加到绘图中。在seaborn中，这被称为使用“色调语义”，因为该点的颜色获得了意义：
+虽然这些点是以二维绘制的，但可以通过根据第三个变量对点进行着色来将另一个维度添加到绘图中。在 seaborn 中，这被称为使用“色调语义”，因为该点的颜色获得了意义：
 
 
 ```py
@@ -101,14 +101,14 @@ sns.relplot(x="total_bill", y="tip", size="size", sizes=(15, 200), data=tips);
 
 ![http://seaborn.pydata.org/_images/relational_18_0.png](img/c622412b599649be9b4d765223de73f5.jpg)
 
-在[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")API示例中展示了更多如何通过自定义使用不同语义来显示统计关系的示例。
+在[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")API 示例中展示了更多如何通过自定义使用不同语义来显示统计关系的示例。
 
 ## 强调线图的连续性
 
 散点图是非常有效的，但是没有通用的最优可视化类型。相反，可视表示应该适应数据集的细节以及您试图用图表回答的问题。
 
 对于某些数据集，您可能希望了解一个变量中的变化关于时间的函数，或者类似的连续变量。在这种情况下，一个很好的选择是绘制线图。
-在seaborn中，这可以通过[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")函数直接实现，也可以通过设置[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")的参数`kind="line"`来实现:
+在 seaborn 中，这可以通过[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")函数直接实现，也可以通过设置[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")的参数`kind="line"`来实现:
 
 ```py
 df = pd.DataFrame(dict(time=np.arange(500),
@@ -132,7 +132,7 @@ sns.relplot(x="x", y="y", sort=False, kind="line", data=df);
 
 ### 聚合和表示不确定性
 
-更复杂的数据集将对`x`变量的相同值有多个观测值。seaborn的默认行为是通过绘制平均值及95%的置信区间，在每个`x`周围聚合多个测量值:
+更复杂的数据集将对`x`变量的相同值有多个观测值。seaborn 的默认行为是通过绘制平均值及 95%的置信区间，在每个`x`周围聚合多个测量值:
 
 ```py
 fmri = sns.load_dataset("fmri")
@@ -142,7 +142,7 @@ sns.relplot(x="timepoint", y="signal", kind="line", data=fmri);
 
 ![http://seaborn.pydata.org/_images/relational_25_0.png](img/c1b2a3e1708607a80c705b690a9c6c5a.jpg)
 
-置信区间是使用bootstrapping计算的，对于较大的数据集，它可能是时间密集型的。因此，可以禁用它们:
+置信区间是使用 bootstrapping 计算的，对于较大的数据集，它可能是时间密集型的。因此，可以禁用它们:
 
 ```py
 sns.relplot(x="timepoint", y="signal", ci=None, kind="line", data=fmri);
@@ -171,7 +171,7 @@ sns.relplot(x="timepoint", y="signal", estimator=None, kind="line", data=fmri);
 
 ### Plotting subsets of data with semantic mappings
 
-函数[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")与[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")具有相同的灵活性：它可以通过修改绘图元素的色调，大小和样式来显示最多三个附加变量。它使用于[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")相同的API，这意味着我们不需要停下来考虑控制matplotlib中线条与点外观的参数。
+函数[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")与[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")具有相同的灵活性：它可以通过修改绘图元素的色调，大小和样式来显示最多三个附加变量。它使用于[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")相同的 API，这意味着我们不需要停下来考虑控制 matplotlib 中线条与点外观的参数。
 
 在[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")中使用语义也将决定数据的聚合方式。例如，添加具有两个级别的色调语义将绘图分成两行以及错误带，每个都着色以指示它们对应于哪个数据集。
 
@@ -287,7 +287,7 @@ sns.relplot(x="time", y="firing_rate",
 
 ### 用日期数据绘图
 
-线图通常用于可视化与实际日期和时间相关的数据。这些函数以原始格式将数据传递给底层的matplotlib函数，因此他们可以利用matplotlib在tick标签中设置日期格式的功能。但是所有这些格式化都必须在matplotlib层进行，您应该参考matplotlib文档来了解它是如何工作的：
+线图通常用于可视化与实际日期和时间相关的数据。这些函数以原始格式将数据传递给底层的 matplotlib 函数，因此他们可以利用 matplotlib 在 tick 标签中设置日期格式的功能。但是所有这些格式化都必须在 matplotlib 层进行，您应该参考 matplotlib 文档来了解它是如何工作的：
 
 ```py
 df = pd.DataFrame(dict(time=pd.date_range("2017-1-1", periods=500),
diff --git a/docs/30.md b/docs/30.md
index b9ba68b372981b50d2988d9a1e10082182c06211..f3c733533673ec392691ccecbd3288a004b1fcef 100644
--- a/docs/30.md
+++ b/docs/30.md
@@ -8,11 +8,11 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 将矩形数据绘制为颜色编码矩阵。
 
-这是一个坐标轴级的函数，如果没有提供给`ax`参数，它会将热力图绘制到当前活动的轴中。除非`cbar`为False或为`cbar_ax`提供单独的Axes，否则将使用此轴空间的一部分绘制颜色图。
+这是一个坐标轴级的函数，如果没有提供给`ax`参数，它会将热力图绘制到当前活动的轴中。除非`cbar`为 False 或为`cbar_ax`提供单独的 Axes，否则将使用此轴空间的一部分绘制颜色图。
 
 参数：`data`：矩形数据集
 
-> 可以强制转换为ndarray格式数据的2维数据集。如果提供了Pandas DataFrame数据，索引/列信息将用于标记列和行。
+> 可以强制转换为 ndarray 格式数据的 2 维数据集。如果提供了 Pandas DataFrame 数据，索引/列信息将用于标记列和行。
 
 `vmin, vmax`：浮点型数据，可选参数。
 
@@ -28,11 +28,11 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 `robust`：布尔值，可选参数。
 
-> 如果是True，并且`vmin`或`vmax`为空，则使用稳健分位数而不是极值来计算色彩映射范围。
+> 如果是 True，并且`vmin`或`vmax`为空，则使用稳健分位数而不是极值来计算色彩映射范围。
 
 `annot`:布尔值或者矩形数据，可选参数。
 
-> 如果为True，则在每个热力图单元格中写入数据值。 如果数组的形状与`data`相同，则使用它来代替原始数据注释热力图。
+> 如果为 True，则在每个热力图单元格中写入数据值。 如果数组的形状与`data`相同，则使用它来代替原始数据注释热力图。
 
 `fmt`：字符串，可选参数。
 
@@ -40,7 +40,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 `annot_kws`：字典或者键值对，可选参数。
 
-> 当`annot`为True时，`ax.text`的关键字参数。
+> 当`annot`为 True 时，`ax.text`的关键字参数。
 
 `linewidths`：浮点数，可选参数。
 
@@ -64,15 +64,15 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 `square`：布尔值，可选参数。
 
-> 如果为True，则将坐标轴方向设置为“equal”，以使每个单元格为方形。
+> 如果为 True，则将坐标轴方向设置为“equal”，以使每个单元格为方形。
 
 `xticklabels, yticklabels`：“auto”，布尔值，类列表值，或者整形数值，可选参数。
 
-> 如果为True，则绘制数据框的列名称。如果为False，则不绘制列名称。如果是列表，则将这些替代标签绘制为xticklabels。如果是整数，则使用列名称，但仅绘制每个n标签。如果是“auto”，将尝试密集绘制不重叠的标签。
+> 如果为 True，则绘制数据框的列名称。如果为 False，则不绘制列名称。如果是列表，则将这些替代标签绘制为 xticklabels。如果是整数，则使用列名称，但仅绘制每个 n 标签。如果是“auto”，将尝试密集绘制不重叠的标签。
 
-`mask`：布尔数组或者DataFrame数据，可选参数。
+`mask`：布尔数组或者 DataFrame 数据，可选参数。
 
-> 如果为空值，数据将不会显示在`mask`为True的单元格中。 具有缺失值的单元格将自动被屏蔽。
+> 如果为空值，数据将不会显示在`mask`为 True 的单元格中。 具有缺失值的单元格将自动被屏蔽。
 
 `ax`：matplotlib Axes，可选参数。
 
@@ -94,7 +94,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 范例
 
-为numpy数组绘制热力图：
+为 numpy 数组绘制热力图：
 
 ```py
 >>> import numpy as np; np.random.seed(0)
@@ -106,7 +106,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 ![http://seaborn.pydata.org/_images/seaborn-heatmap-1.png](img/2dcc622657bb409719bb9c747e0456c4.jpg)
 
-更改默认的colormap范围：
+更改默认的 colormap 范围：
 
 ```py
 >>> ax = sns.heatmap(uniform_data, vmin=0, vmax=1)
@@ -115,7 +115,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 ![http://seaborn.pydata.org/_images/seaborn-heatmap-2.png](img/6600f3e11ba368f49ec94d562dd39b4a.jpg)
 
-使用发散色图绘制以0为中心的数据的热力图：
+使用发散色图绘制以 0 为中心的数据的热力图：
 
 ```py
 >>> normal_data = np.random.randn(10, 12)
@@ -125,7 +125,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 ![http://seaborn.pydata.org/_images/seaborn-heatmap-3.png](img/519a9ac2d3daa6dd6160e4f71bf0e342.jpg)
 
-使用特定的行和列标签绘制dataframe：
+使用特定的行和列标签绘制 dataframe：
 
 ```py
 >>> flights = sns.load_dataset("flights")
@@ -154,7 +154,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 ![http://seaborn.pydata.org/_images/seaborn-heatmap-6.png](img/970cf8333ec7a6b8eec115254ad34265.jpg)
 
-使用不同的colormap：
+使用不同的 colormap：
 
 ```py
 >>> ax = sns.heatmap(flights, cmap="YlGnBu")
@@ -163,7 +163,7 @@ seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False
 
 ![http://seaborn.pydata.org/_images/seaborn-heatmap-7.png](img/e18cb02ed3ad1b91b540951f2912539b.jpg)
 
-将colormap置于特定值的中心：
+将 colormap 置于特定值的中心：
 
 ```py
 >>> ax = sns.heatmap(flights, center=flights.loc["January", 1955])
diff --git a/docs/31.md b/docs/31.md
index d1d6cadbe9f34356c68e4cfc265d5e1965b18823..847477c1b7692a0f39afe44830b32a7592e90632 100644
--- a/docs/31.md
+++ b/docs/31.md
@@ -1,81 +1,83 @@
 # seaborn.clustermap
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```py
 seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean', z_score=None, standard_scale=None, figsize=None, cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, **kwargs)
 ```
 
-Plot a matrix dataset as a hierarchically-clustered heatmap.
+将矩阵数据集绘制成分层聚类热图。
 
 参数：**data：2D array-like**
 
-> Rectangular data for clustering. Cannot contain NAs.
+> 用于聚类的矩形数据，不能包含 NA。
 
-`pivot_kws`：dict, optional
+`pivot_kws`：字典，可选。
 
-> If &lt;cite&gt;data&lt;/cite&gt; is a tidy dataframe, can provide keyword arguments for pivot to create a rectangular dataframe.
+> 如果数据是整齐的数据框架，可以为 pivot 提供关键字参数以创建矩形数据框架。
 
-`method`：str, optional
+`method`：字符串，可选。
 
-> Linkage method to use for calculating clusters. See scipy.cluster.hierarchy.linkage documentation for more information: [https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html](https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html)
+> 用于计算聚类的链接方法。有关更多信息，请参阅文档 scipy.cluster.hierarchy.linkage [https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html](https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html)
 
-`metric`：str, optional
+`metric`：字符串，可选。
 
-> Distance metric to use for the data. See scipy.spatial.distance.pdist documentation for more options [https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html) To use different metrics (or methods) for rows and columns, you may construct each linkage matrix yourself and provide them as {row,col}_linkage.
+> 用于数据的距离度量。有关更多选项，请参阅 scipy.spatial.distance.pdist 文档。 [https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html](https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html) 要对行和列使用不同的度量（或方法），您可以子集构造每个链接矩阵，并将它们提供为`{row, col}_linkage.`
 
-`z_score`：int or None, optional
+`z_score`：int 或 None,可选。
 
-> Either 0 (rows) or 1 (columns). Whether or not to calculate z-scores for the rows or the columns. Z scores are: z = (x - mean)/std, so values in each row (column) will get the mean of the row (column) subtracted, then divided by the standard deviation of the row (column). This ensures that each row (column) has mean of 0 and variance of 1.
+> 0（行）或 1（列）。是否计算行或列的 z 分数。Z 得分为 z = (x - mean)/std，因此每行（列）中的值将减去行（列）的平均值，然后除以行（列）的标准偏差。这可确保每行（列）的均值为 0，方差为 1.
 
-`standard_scale`：int or None, optional
+`standard_scale`：int 或 None, 可选。
 
-> Either 0 (rows) or 1 (columns). Whether or not to standardize that dimension, meaning for each row or column, subtract the minimum and divide each by its maximum.
+> 0（行）或 1（列）。是否标准化该维度，即每行或每列的含义，减去最小值并将每个维度除以其最大值。
 
-**figsize: tuple of two ints, optional**
+**figsize: 两个整数的元组, 可选。**
 
-> Size of the figure to create.
+> 要创建的图形的大小。
 
-`cbar_kws`：dict, optional
+`cbar_kws`：字典, 可选。
 
-> Keyword arguments to pass to `cbar_kws` in `heatmap`, e.g. to add a label to the colorbar.
+> 要传递给`heatmap`中的`cbar_kws`的关键字参数，例如向彩条添加标签。
 
-`{row,col}_cluster`：bool, optional
+`{row,col}_cluster`：布尔值, 可选。
 
-> If True, cluster the {rows, columns}.
+> 如果为真，则对{rows, columns}进行聚类。
 
-`{row,col}_linkage`：numpy.array, optional
+`{row,col}_linkage`：numpy.array, 可选。
 
-> Precomputed linkage matrix for the rows or columns. See scipy.cluster.hierarchy.linkage for specific formats.
+> 行或列的预计算链接矩阵。有关特定格式，请参阅 scipy.cluster.hierarchy.linkage.
 
-`{row,col}_colors`：list-like or pandas DataFrame/Series, optional
+`{row,col}_colors`：list-like 或 pandas DataFrame/Series, 可选。
 
-> List of colors to label for either the rows or columns. Useful to evaluate whether samples within a group are clustered together. Can use nested lists or DataFrame for multiple color levels of labeling. If given as a DataFrame or Series, labels for the colors are extracted from the DataFrames column names or from the name of the Series. DataFrame/Series colors are also matched to the data by their index, ensuring colors are drawn in the correct order.
+> 要为行或列标记的颜色列表。用于评估组内的样本是否聚集在一起。可以使用嵌套列表或 DataFrame 进行多种颜色级别的标注。如果以 DataFrame 或 Series 形式提供，则从 DataFrames 列名称或 Series 的名称中提取颜色标签。DataFrame/Series 颜色也通过索引与数据匹配，确保以正确的顺序绘制颜色。
 
-`mask`：boolean array or DataFrame, optional
+`mask`：布尔数组或 DataFrame, 可选。
 
-> If passed, data will not be shown in cells where `mask` is True. Cells with missing values are automatically masked. Only used for visualizing, not for calculating.
+> 如果通过，数据将不会显示在`mask`为真的单元格中。具有缺失值的单元格将自动被屏蔽。仅用于可视化，不用于计算。
 
-`kwargs`：other keyword arguments
+`kwargs`：其他关键字参数。
 
-> All other keyword arguments are passed to `sns.heatmap`
+> 所有其他关键字参数都传递给`sns.heatmap`
 
 
 返回值：`clustergrid`：ClusterGrid
 
-> A ClusterGrid instance.
+> ClusterGrid 实例。
 
 
 
-Notes
+注意点：
 
-The returned object has a `savefig` method that should be used if you want to save the figure object without clipping the dendrograms.
+返回的对象有一个`savefig`方法，如果要保存图形对象而不剪切树形图，则应使用该方法。
 
-To access the reordered row indices, use: `clustergrid.dendrogram_row.reordered_ind`
+要访问重新排序的行索引，请使用：`clustergrid.dendrogram_row.reordered_in`
 
-Column indices, use: `clustergrid.dendrogram_col.reordered_ind`
+列索引, 请使用: `clustergrid.dendrogram_col.reordered_ind`
 
-Examples
+范例
 
-Plot a clustered heatmap:
+绘制聚类热图。
 
 ```py
 >>> import seaborn as sns; sns.set(color_codes=True)
@@ -87,7 +89,7 @@ Plot a clustered heatmap:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-1.png](img/a7da372ba56ceec7b8b9e01f418bb1e3.jpg)
 
-Use a different similarity metric:
+使用不同的相似性指标。
 
 ```py
 >>> g = sns.clustermap(iris, metric="correlation")
@@ -96,7 +98,7 @@ Use a different similarity metric:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-2.png](img/e102a295ca812e5085369488cedb3dac.jpg)
 
-Use a different clustering method:
+使用不同的聚类方法。
 
 ```py
 >>> g = sns.clustermap(iris, method="single")
@@ -105,7 +107,7 @@ Use a different clustering method:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-3.png](img/64c061b1d37ef563dc9827fbb5c671a1.jpg)
 
-Use a different colormap and ignore outliers in colormap limits:
+使用不同的色彩映射并忽略色彩映射限制中的异常值。
 
 ```py
 >>> g = sns.clustermap(iris, cmap="mako", robust=True)
@@ -114,7 +116,7 @@ Use a different colormap and ignore outliers in colormap limits:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-4.png](img/b9161032a5adb7fb6694c185246664aa.jpg)
 
-Change the size of the figure:
+改变图的大小。
 
 ```py
 >>> g = sns.clustermap(iris, figsize=(6, 7))
@@ -123,7 +125,7 @@ Change the size of the figure:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-5.png](img/f7ed7c41c4e6dbed729d2a3ea8e2d0ff.jpg)
 
-Plot one of the axes in its original organization:
+绘制其原始组织中的一个轴。
 
 ```py
 >>> g = sns.clustermap(iris, col_cluster=False)
@@ -132,7 +134,7 @@ Plot one of the axes in its original organization:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-6.png](img/3acbff477d462457ef54fe167311c30e.jpg)
 
-Add colored labels:
+添加彩色标签。
 
 ```py
 >>> lut = dict(zip(species.unique(), "rbg"))
@@ -143,7 +145,7 @@ Add colored labels:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-7.png](img/da7ff8019c2f5f473c8c8958fd395e76.jpg)
 
-Standardize the data within the columns:
+标准化列中的数据。
 
 ```py
 >>> g = sns.clustermap(iris, standard_scale=1)
@@ -152,11 +154,11 @@ Standardize the data within the columns:
 
 ![http://seaborn.pydata.org/_images/seaborn-clustermap-8.png](img/4c9cb45bac2fd0bc0e8ebf7b6411ecc9.jpg)
 
-Normalize the data within the rows:
+正规化行内数据。
 
 ```py
 >>> g = sns.clustermap(iris, z_score=0)
 
 ```
 
-![http://seaborn.pydata.org/_images/seaborn-clustermap-9.png](img/5e7f4bf9cb93adb18b8275b2e6477182.jpg)
\ No newline at end of file
+![http://seaborn.pydata.org/_images/seaborn-clustermap-9.png](img/5e7f4bf9cb93adb18b8275b2e6477182.jpg)
diff --git a/docs/32.md b/docs/32.md
index 1c5fd965db54f17b4eb80bbc4fe2186277aa5048..3ce3d665c1da4178a253e5f7338fd4428c8ef01a 100644
--- a/docs/32.md
+++ b/docs/32.md
@@ -12,21 +12,21 @@ class seaborn.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None, share
 __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=True, height=3, aspect=1, palette=None, row_order=None, col_order=None, hue_order=None, hue_kws=None, dropna=True, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)
 ```
 
-初始化matplotlib画布和FacetGrid对象。
+初始化 matplotlib 画布和 FacetGrid 对象。
 
 该类将数据集映射到由行和列组成的网格中的多个轴上，这些轴与数据集中变量的级别对应。它产生的图通常被称为“lattice”，“trellis”或“small-multiple”图形。
 
 它还可以用`hue`参数表示第三个变量的级别，该参数绘制不同颜色的不同数据子集。它使用颜色来解析第三维度上的元素，但是只绘制相互重叠的子集，并且不会像接受“hue”的坐标轴级函数那样为特定的可视化定制“hue”参数。
 
-当使用从数据集推断语义映射的seaborn函数时，必须注意在各个方面之间同步这些映射。在大多数情况下，使用图形级函数（例如[`relplot()`](seaborn.relplot.html#seaborn.relplot "seaborn.relplot")或[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")）比直接使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")更好。
+当使用从数据集推断语义映射的 seaborn 函数时，必须注意在各个方面之间同步这些映射。在大多数情况下，使用图形级函数（例如[`relplot()`](seaborn.relplot.html#seaborn.relplot "seaborn.relplot")或[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")）比直接使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")更好。
 
-基本工作流程是使用数据集和用于构造网格的变量初始化FacetGrid对象。然后，通过调用[`FacetGrid.map()`](seaborn.FacetGrid.map.html#seaborn.FacetGrid.map "seaborn.FacetGrid.map")或[`FacetGrid.map_dataframe()`](seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe "seaborn.FacetGrid.map_dataframe")，可以将一个或多个绘图函数应用于每个子集。最后，可以使用其他方法调整绘图，以执行更改轴标签、使用不同刻度或添加图例等操作。有关详细信息，请参阅下面的详细代码示例。
+基本工作流程是使用数据集和用于构造网格的变量初始化 FacetGrid 对象。然后，通过调用[`FacetGrid.map()`](seaborn.FacetGrid.map.html#seaborn.FacetGrid.map "seaborn.FacetGrid.map")或[`FacetGrid.map_dataframe()`](seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe "seaborn.FacetGrid.map_dataframe")，可以将一个或多个绘图函数应用于每个子集。最后，可以使用其他方法调整绘图，以执行更改轴标签、使用不同刻度或添加图例等操作。有关详细信息，请参阅下面的详细代码示例。
 
-更多相关信息请参阅[`教程`](../tutorial/axis_grids.html#grid-tutorial)。
+更多相关信息请参阅[`教程`](http://seaborn.pydata.org/tutorial/axis_grids.html#grid-tutorial)。
 
-参数：`data`：DataFrame数据。
+参数：`data`：DataFrame 数据。
 
-> 整洁的（“长形式”）dataframe数据，其中每一列是一个变量，每一行是一个观察实例。
+> 整洁的（“长形式”）dataframe 数据，其中每一列是一个变量，每一行是一个观察实例。
 
 `row, col, hue`：字符串。
 
@@ -38,7 +38,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 `share{x,y}`：布尔值，'col' 或 'row'可选
 
-> 如果为true，则跨列共享y轴或者跨行共享x轴。
+> 如果为 true，则跨列共享 y 轴或者跨行共享 x 轴。
 
 `height`：标量，可选参数。
 
@@ -46,15 +46,15 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 `aspect`：标量，可选参数。
 
-> 每个图片的纵横比，因此aspect * height给出每个图片的宽度，单位为英寸。
+> 每个图片的纵横比，因此 aspect * height 给出每个图片的宽度，单位为英寸。
 
 `palette`：调色板名称，列表或字典，可选参数。
 
-> 用于色调变量的不同级别的颜色。应为[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的参数，或者是将色调级别映射到matplotlib颜色的字典。
+> 用于色调变量的不同级别的颜色。应为[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的参数，或者是将色调级别映射到 matplotlib 颜色的字典。
 
 `{row,col,hue}_order`：列表，可选参数。
 
-> 对所给命令级别进行排序。默认情况下，这将是在数据中显示的级别，或者，如果变量是pandas分类，则为类别顺序。
+> 对所给命令级别进行排序。默认情况下，这将是在数据中显示的级别，或者，如果变量是 pandas 分类，则为类别顺序。
 
 `hue_kws`：参数-列表值的映射字典
 
@@ -62,7 +62,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 `legend_out`：布尔值，可选参数。
 
-> 如果为True，则图形尺寸将被扩展，图例将绘制在中间右侧的图形之外。
+> 如果为 True，则图形尺寸将被扩展，图例将绘制在中间右侧的图形之外。
 
 `despine`：布尔值，可选参数。
 
@@ -70,19 +70,19 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 `margin_titles`：布尔值，可选参数。
 
-> 如果为True，则行变量的标题将绘制在最后一列的右侧。此选项是实验性的，可能无法在所有情况下使用。
+> 如果为 True，则行变量的标题将绘制在最后一列的右侧。此选项是实验性的，可能无法在所有情况下使用。
 
 `{x, y}lim`：元组，可选参数。
 
-> 每个图片上每个轴的限制（仅当share {x，y}为True时才相关）。
+> 每个图片上每个轴的限制（仅当 share {x，y}为 True 时才相关）。
 
 `subplot_kws`：字典，可选参数。
 
-> 传递给matplotlib subplot（s）方法的关键字参数字典。
+> 传递给 matplotlib subplot（s）方法的关键字参数字典。
 
 `gridspec_kws`：字典，可选参数。
 
-> 传递给matplotlib的`gridspec`模块（通过`plt.subplots`）的关键字参数字典。需要matplotlib> = 1.4，如果`col_wrap`不是`None`，则忽略它。
+> 传递给 matplotlib 的`gridspec`模块（通过`plt.subplots`）的关键字参数字典。需要 matplotlib> = 1.4，如果`col_wrap`不是`None`，则忽略它。
 
 **另请参见**
 
@@ -102,7 +102,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 范例
 
-使用tips数据集初始化2x2网格图：
+使用 tips 数据集初始化 2x2 网格图：
 
 ```py
 >>> import seaborn as sns; sns.set(style="ticks", color_codes=True)
@@ -124,7 +124,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 ![http://seaborn.pydata.org/_images/seaborn-FacetGrid-2.png](img/ee99e47d6e0d2262037bca2e7fdb9772.jpg)
 
-（注意，没有必要重新捕获返回的变量;它是相同的对象，但在示例中这样做使得处理doctests更加方便）。
+（注意，没有必要重新捕获返回的变量;它是相同的对象，但在示例中这样做使得处理 doctests 更加方便）。
 
 将其他关键字参数传递给映射函数：
 
@@ -316,7 +316,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 方法
 
-| [`__init__`](#seaborn.FacetGrid.__init__ "seaborn.FacetGrid.__init__")(data[, row, col, hue, col_wrap, …]) | 初始化matplotlib画布和FacetGrid对象。 |
+| [`__init__`](#seaborn.FacetGrid.__init__ "seaborn.FacetGrid.__init__")(data[, row, col, hue, col_wrap, …]) | 初始化 matplotlib 画布和 FacetGrid 对象。 |
 
 | `add_legend`([legend_data, title, label_order]) | 绘制一个图例，可能将其放在轴外并调整图形大小。|
 
@@ -328,7 +328,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 | [`map`](seaborn.FacetGrid.map.html#seaborn.FacetGrid.map "seaborn.FacetGrid.map")(func, *args, \**kwargs) | 将绘图功能应用于每个子图的数据子集。 |
 
-| [`map_dataframe`](seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe "seaborn.FacetGrid.map_dataframe")(func, *args, \**kwargs) | 像`.map`一样，但是将args作为字符串传递并在kwargs中插入数据。 |
+| [`map_dataframe`](seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe "seaborn.FacetGrid.map_dataframe")(func, *args, \**kwargs) | 像`.map`一样，但是将 args 作为字符串传递并在 kwargs 中插入数据。 |
 
 | `savefig`(*args, \**kwargs) | 保存图片。 |
 
@@ -338,13 +338,13 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 | `set_titles`([template, row_template, …]) | 在每个子图上方或网格边缘绘制标题。 |
 
-| `set_xlabels`([label]) | 在网格的底行标记x轴。 |
+| `set_xlabels`([label]) | 在网格的底行标记 x 轴。 |
 
-| `set_xticklabels`([labels, step]) | 在网格的底行设置x轴刻度标签。 |
+| `set_xticklabels`([labels, step]) | 在网格的底行设置 x 轴刻度标签。 |
 
-| `set_ylabels`([label]) | 在网格的左列标记y轴。 |
+| `set_ylabels`([label]) | 在网格的左列标记 y 轴。 |
 
-| `set_yticklabels`([labels]) | 在网格的左列上设置y轴刻度标签。 |
+| `set_yticklabels`([labels]) | 在网格的左列上设置 y 轴刻度标签。 |
 
 属性
 
diff --git a/docs/33.md b/docs/33.md
index d66c3a3f1c7ef4b631ba774e257ed59a1a619109..341dba9f19eda8e62c963c33e4e221e050358c30 100644
--- a/docs/33.md
+++ b/docs/33.md
@@ -10,11 +10,11 @@ FacetGrid.map(func, *args, **kwargs)
 
 参数：`func`：可调用
 
-> 一个接受数据和关键字参数的绘图函数。它必须绘制到当前活动的matplotlib轴并采用&lt;cite&gt;color&lt;/cite&gt;关键字参数。如果在&lt;cite&gt;hue&lt;/cite&gt;维度上进行分面，必须也使用&lt;cite&gt;label&lt;/cite&gt;关键字参数。
+> 一个接受数据和关键字参数的绘图函数。它必须绘制到当前活动的 matplotlib 轴并采用`color`关键字参数。如果在`hue`维度上进行分面，必须也使用`label`关键字参数。
 
 `args`：字符串
 
-> 数据的列名，用于标识要绘制数据的变量。每个变量的数据按照调用中指定变量的顺序传递给&lt;cite&gt;func&lt;/cite&gt;。
+> 数据的列名，用于标识要绘制数据的变量。每个变量的数据按照调用中指定变量的顺序传递给`func`。
 
 `kwargs`：关键字参数
 
diff --git a/docs/34.md b/docs/34.md
index 3331df91b625a09a9a3749f0bea912eb204f5369..6a5ce98615eb44faa2ebf0be59c9d2393082cbb5 100644
--- a/docs/34.md
+++ b/docs/34.md
@@ -6,13 +6,13 @@
 FacetGrid.map_dataframe(func, *args, **kwargs)
 ```
 
-和 `.map`类似，但是将args作为字符串传递并将数据插入到kwargs中.
+和 `.map`类似，但是将 args 作为字符串传递并将数据插入到 kwargs 中.
 
-此方法适用于使用接受长格式DataFrame作为&lt;cite&gt;data&lt;/cite&gt;关键字参数并使用字符串变量名访问该DataFrame中的数据的函数进行绘图。
+此方法适用于使用接受长格式 DataFrame 作为`data`关键字参数并使用字符串变量名访问该 DataFrame 中的数据的函数进行绘图。
 
 参数：`func`：可调用
 
-> 一个接受数据和关键字参数的绘图函数。与&lt;cite&gt;map&lt;/cite&gt;方法不同,此处使用的函数必须“理解”Pandas对象。它也必须绘制到当前活动的matpltolib轴并采用&lt;cite&gt;color&lt;/cite&gt;关键字参数。如果在<cite>hue</cite>维度上进行分面，必须也使用<cite>label</cite>关键字参数。
+> 一个接受数据和关键字参数的绘图函数。与`map`方法不同,此处使用的函数必须“理解”Pandas 对象。它也必须绘制到当前活动的 matpltolib 轴并采用`color`关键字参数。如果在<cite>hue</cite>维度上进行分面，必须也使用<cite>label</cite>关键字参数。
 
 `args`：字符串
 
diff --git a/docs/35.md b/docs/35.md
index b5fbd36f3bb13c79a32020a760831eab033a1075..9c65f1f26be7ca58a43c7d9c0ec1732fd78ed994 100644
--- a/docs/35.md
+++ b/docs/35.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 class seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, diag_sharey=True, height=2.5, aspect=1, despine=True, dropna=True, size=None)
 ```
@@ -10,15 +12,15 @@ class seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=Non
 
 它还可以通过`hue`参数用不同颜色绘制不同的数据子集来表示附加级别的条件化。这使用颜色来解析第三维的元素，但只是在彼此之上绘制子集，并且不会像接受`hue`的轴级函数那样为特定可视化定制`hue`参数。
 
-参考[教程](../tutorial/axis_grids.html#grid-tutorial)获取更多信息。
+参考[教程](http://seaborn.pydata.org/tutorial/axis_grids.html#grid-tutorial)获取更多信息。
 
 ```py
 __init__(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, diag_sharey=True, height=2.5, aspect=1, despine=True, dropna=True, size=None)
 ```
 
-初始化绘图和PairGrid对象。
+初始化绘图和 PairGrid 对象。
 
-参数：`data`：DataFrame格式
+参数：`data`：DataFrame 格式
 
 > 整洁（长形式）数据框，其中每列是一个变量，每行是一个观察。
 
@@ -30,7 +32,7 @@ __init__(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None,
 
 > 调色板中色调变量的等级顺序
 
-`palette`：字典或者seaborn调色板
+`palette`：字典或者 seaborn 调色板
 
 > 用于映射`hue`变量的颜色集.如果是一个字典，键应为`hue`变量中的值。
 
@@ -52,7 +54,7 @@ __init__(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None,
 
 `aspect`：标量，可选
 
-> aspect和height的乘积得出每个刻面的宽度（以英寸为单位）。
+> aspect 和 height 的乘积得出每个刻面的宽度（以英寸为单位）。
 
 `despine`：布尔值，可选
 
@@ -179,7 +181,7 @@ __init__(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None,
 
 方法
 
-| [`__init__`](#seaborn.PairGrid.__init__ "seaborn.PairGrid.__init__")(data[, hue, hue_order, palette, …]) | 初始化绘图和PairGrid对象。 |
+| [`__init__`](#seaborn.PairGrid.__init__ "seaborn.PairGrid.__init__")(data[, hue, hue_order, palette, …]) | 初始化绘图和 PairGrid 对象。 |
 | `add_legend`([legend_data, title, label_order]) | 绘制一个图例，可能将其放在轴外并调整图形大小。 |
 | [`map`](seaborn.PairGrid.map.html#seaborn.PairGrid.map "seaborn.PairGrid.map")(func, **kwargs) | 在每一个子图上用相同的函数绘制。  |
 | [`map_diag`](seaborn.PairGrid.map_diag.html#seaborn.PairGrid.map_diag "seaborn.PairGrid.map_diag")(func, **kwargs) | 在每个对角线子图上用一个单变量函数绘制。 |
diff --git a/docs/36.md b/docs/36.md
index 6f500f4d41c128c187538ad24cdd8d3b677d9d02..9b5f7f0752f116f8f4f04d497b5144dc304b2c8e 100644
--- a/docs/36.md
+++ b/docs/36.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid.map
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 PairGrid.map(func, **kwargs)
 ```
@@ -8,5 +10,5 @@ PairGrid.map(func, **kwargs)
 
 参数：`func`：可调用的绘图函数
 
-> 必须将x,y数组作为位置参数并绘制到“当前活动”的matplotlib轴上。还需要接受名为`color`和`label`的kwargs。
+> 必须将 x,y 数组作为位置参数并绘制到“当前活动”的 matplotlib 轴上。还需要接受名为`color`和`label`的 kwargs。
 
diff --git a/docs/37.md b/docs/37.md
index 8df65ffd838a0816d2ccaebc68278f946f91da36..84974bffe6757bc27a62c15506ec060d0a1b1555 100644
--- a/docs/37.md
+++ b/docs/37.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid.map_diag
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 PairGrid.map_diag(func, **kwargs)
 ```
@@ -8,5 +10,5 @@ PairGrid.map_diag(func, **kwargs)
 
 参数：`func`：可调用的绘图函数
 
->必须将x,y数组作为位置参数并绘制到“当前活动”的matplotlib轴上。还需要接受名为color和label的kwargs。
+>必须将 x,y 数组作为位置参数并绘制到“当前活动”的 matplotlib 轴上。还需要接受名为 color 和 label 的 kwargs。
 
diff --git a/docs/38.md b/docs/38.md
index aa3e3c4147665b4b90dd8966e8e260c3798c5941..5ac9afd029f71bdf7b9bcbd698e665f03e500724 100644
--- a/docs/38.md
+++ b/docs/38.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid.map_offdiag
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 PairGrid.map_offdiag(func, **kwargs)
 ```
@@ -8,5 +10,5 @@ PairGrid.map_offdiag(func, **kwargs)
 
 参数：`func`：可调用的绘图函数
 
-> 必须将x,y数组作为位置参数并绘制到“当前活动”的matplotlib轴上。还需要接受名为color和label的kwargs。
+> 必须将 x,y 数组作为位置参数并绘制到“当前活动”的 matplotlib 轴上。还需要接受名为 color 和 label 的 kwargs。
 
diff --git a/docs/39.md b/docs/39.md
index ace07ceedc4de4af661bcfdc3e4c3e0db87956b0..9ad6d1e3dcb535e63748c45874092da41da55bf2 100644
--- a/docs/39.md
+++ b/docs/39.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid.map_lower
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 PairGrid.map_lower(func, **kwargs)
 ```
@@ -8,5 +10,5 @@ PairGrid.map_lower(func, **kwargs)
 
 参数：`func`：可调用的绘图函数
 
-> 必须将x,y数组作为位置参数并绘制到“当前活动”的matplotlib轴上。还需要接受名为`color`和`label`的kwargs。
+> 必须将 x,y 数组作为位置参数并绘制到“当前活动”的 matplotlib 轴上。还需要接受名为`color`和`label`的 kwargs。
 
diff --git a/docs/4.md b/docs/4.md
index 861e67c135d1e9b70a4e7213c96561948bcfd4c4..638aadc04bb190dfd79e049d8e78ee56649f3316 100644
--- a/docs/4.md
+++ b/docs/4.md
@@ -4,7 +4,7 @@
 
 在[绘制关系图](relational.html#relational-tutorial)的教程中，我们学习了如何使用不同的可视化方法来展示数据集中多个变量之间的关系。在示例中，我们专注于两个数值变量之间的主要关系。如果其中一个主要变量是“可分类的”（能被分为不同的组），那么我们可以使用更专业的可视化方法。
 
-在seaborn中，有几种不同的方法可以对分类数据进行可视化。类似于[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")与[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")或者[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")之间的关系，有两种方法可以制作这些图。有许多axes-level函数可以用不同的方式绘制分类数据，还有一个figure-level接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")，可以对它们进行统一的高级访问。
+在 seaborn 中，有几种不同的方法可以对分类数据进行可视化。类似于[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")与[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")或者[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")之间的关系，有两种方法可以制作这些图。有许多 axes-level 函数可以用不同的方式绘制分类数据，还有一个 figure-level 接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")，可以对它们进行统一的高级访问。
 
 将不同的分类图类型视为三个不同的家族，这是很有帮助的。下面我们将详细讨论，它们是：
 
@@ -25,9 +25,9 @@
 *   [`barplot()`](../generated/seaborn.barplot.html#seaborn.barplot "seaborn.barplot") (with `kind="bar"`)
 *   [`countplot()`](../generated/seaborn.countplot.html#seaborn.countplot "seaborn.countplot") (with `kind="count"`)
 
-这些家族使用不同的粒度级别来表示数据，我们应该根据实际情况来决定到底要使用哪个。它们有统一的API，所以我们可以轻松地在不同类型之间进行切换，并从多个角度来观察数据。
+这些家族使用不同的粒度级别来表示数据，我们应该根据实际情况来决定到底要使用哪个。它们有统一的 API，所以我们可以轻松地在不同类型之间进行切换，并从多个角度来观察数据。
 
-在本教程中，我们主要关注figure-level接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")。这个函数是上述每个函数更高级别的接口，因此当我们显示每种绘图时都会引用它们，不清楚的话可以随时查看特定类型的API文档。
+在本教程中，我们主要关注 figure-level 接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")。这个函数是上述每个函数更高级别的接口，因此当我们显示每种绘图时都会引用它们，不清楚的话可以随时查看特定类型的 API 文档。
 
 ```py
 import seaborn as sns
@@ -38,7 +38,7 @@ sns.set(style="ticks", color_codes=True)
 
 ## 分类散点图
 
-在[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中，数据默认使用散点图表示。在seaborn中有两种不同的分类散点图，它们采用不同的方法来表示分类数据。 其中一种是属于一个类别的所有点，将沿着与分类变量对应的轴落在相同位置。[`stripplot()`](../generated/seaborn.stripplot.html#seaborn.stripplot "seaborn.stripplot")方法是[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中kind的默认参数，它是用少量随机“抖动”调整分类轴上的点的位置：
+在[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中，数据默认使用散点图表示。在 seaborn 中有两种不同的分类散点图，它们采用不同的方法来表示分类数据。 其中一种是属于一个类别的所有点，将沿着与分类变量对应的轴落在相同位置。[`stripplot()`](../generated/seaborn.stripplot.html#seaborn.stripplot "seaborn.stripplot")方法是[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中 kind 的默认参数，它是用少量随机“抖动”调整分类轴上的点的位置：
 
 ```py
 tips = sns.load_dataset("tips")
@@ -57,7 +57,7 @@ sns.catplot(x="day", y="total_bill", jitter=False, data=tips);
 
 ![http://seaborn.pydata.org/_images/categorical_6_0.png](img/69f7923f9645a5a6bd0152889dc41109.jpg)
 
-另一种方法使用防止它们重叠的算法沿着分类轴调整点。我们可以用它更好地表示观测分布，但是只适用于相对较小的数据集。这种绘图有时被称为“beeswarm”，可以使用seaborn中的[`swarmplot()`](../generated/seaborn.swarmplot.html#seaborn.swarmplot "seaborn.swarmplot")绘制，通过在[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中设置`kind="swarm"`来激活：
+另一种方法使用防止它们重叠的算法沿着分类轴调整点。我们可以用它更好地表示观测分布，但是只适用于相对较小的数据集。这种绘图有时被称为“beeswarm”，可以使用 seaborn 中的[`swarmplot()`](../generated/seaborn.swarmplot.html#seaborn.swarmplot "seaborn.swarmplot")绘制，通过在[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")中设置`kind="swarm"`来激活：
 
 ```py
 sns.catplot(x="day", y="total_bill", kind="swarm", data=tips);
@@ -75,7 +75,7 @@ sns.catplot(x="day", y="total_bill", hue="sex", kind="swarm", data=tips);
 
 ![http://seaborn.pydata.org/_images/categorical_10_0.png](img/5ad59a428adab872b085f94007435de3.jpg)
 
-与数值数据不同，如何沿着轴顺序排列分类变量并不总是显而易见的。通常，seaborn分类绘图函数试图从数据中推断出类别的顺序。 如果您的数据具有pandas中的`Categorical`数据类型，则可以在此处设置类别的默认顺序。如果传递给分类轴的变量看起来是数字，则将对级别进行排序。但是数据仍然被视为分类并在分类轴上的序数位置（特别是0，1，......）处理，即使用数字来标记它们：
+与数值数据不同，如何沿着轴顺序排列分类变量并不总是显而易见的。通常，seaborn 分类绘图函数试图从数据中推断出类别的顺序。 如果您的数据具有 pandas 中的`Categorical`数据类型，则可以在此处设置类别的默认顺序。如果传递给分类轴的变量看起来是数字，则将对级别进行排序。但是数据仍然被视为分类并在分类轴上的序数位置（特别是 0，1，......）处理，即使用数字来标记它们：
 
 ```py
 sns.catplot(x="size", y="total_bill", kind="swarm",
@@ -108,7 +108,7 @@ sns.catplot(x="total_bill", y="day", hue="time", kind="swarm", data=tips);
 
 ### 箱线图
 
-第一个是熟悉的[`boxplot()`](../generated/seaborn.boxplot.html#seaborn.boxplot "seaborn.boxplot")。它可以显示分布的三个四分位数值以及极值。“胡须”延伸到位于下四分位数和上四分位数的1.5 IQR内的点，超出此范围的观察值会独立显示。这意味着箱线图中的每个值对应于数据中的实际观察值。
+第一个是熟悉的[`boxplot()`](../generated/seaborn.boxplot.html#seaborn.boxplot "seaborn.boxplot")。它可以显示分布的三个四分位数值以及极值。“胡须”延伸到位于下四分位数和上四分位数的 1.5 IQR 内的点，超出此范围的观察值会独立显示。这意味着箱线图中的每个值对应于数据中的实际观察值。
 
 ```py
 sns.catplot(x="day", y="total_bill", kind="box", data=tips);
@@ -125,7 +125,7 @@ sns.catplot(x="day", y="total_bill", hue="smoker", kind="box", data=tips);
 
 ![http://seaborn.pydata.org/_images/categorical_20_0.png](img/1f4ad95dbd00806b549ece0b87386cf9.jpg)
 
-此行为被称为“dodging”，默认开启，因为我们假定语义变量嵌套在主分类变量中。如果不是这样，可以禁用dodging：
+此行为被称为“dodging”，默认开启，因为我们假定语义变量嵌套在主分类变量中。如果不是这样，可以禁用 dodging：
 
 ```py
 tips["weekend"] = tips["day"].isin(["Sat", "Sun"])
@@ -136,7 +136,7 @@ sns.catplot(x="day", y="total_bill", hue="weekend",
 
 ![http://seaborn.pydata.org/_images/categorical_22_0.png](img/3690d2883f41b811443d3bfd92e7a9d7.jpg)
 
-一个相关的函数[`boxenplot()`](../generated/seaborn.boxenplot.html#seaborn.boxenplot "seaborn.boxenplot")可以绘制一个与Box-plot类似的图。它为了显示更多信息而对分布的形状进行了优化，比较适合于较大的数据集：
+一个相关的函数[`boxenplot()`](../generated/seaborn.boxenplot.html#seaborn.boxenplot "seaborn.boxenplot")可以绘制一个与 Box-plot 类似的图。它为了显示更多信息而对分布的形状进行了优化，比较适合于较大的数据集：
 
 ```py
 diamonds = sns.load_dataset("diamonds")
@@ -159,7 +159,7 @@ sns.catplot(x="total_bill", y="day", hue="time",
 
 ![http://seaborn.pydata.org/_images/categorical_26_0.png](img/d9dc602fc56dec13039df115c589dd05.jpg)
 
-该方法使用核密度估计来提供更丰富的值分布描述。此外，violin中还显示了来自箱线图的四分位数和whikser值。缺点是由于violinplot使用了KDE，我们需要调整一些额外参数，与箱形图相比增加了一些复杂性：
+该方法使用核密度估计来提供更丰富的值分布描述。此外，violin 中还显示了来自箱线图的四分位数和 whikser 值。缺点是由于 violinplot 使用了 KDE，我们需要调整一些额外参数，与箱形图相比增加了一些复杂性：
 
 ```py
 sns.catplot(x="total_bill", y="day", hue="time",
@@ -170,7 +170,7 @@ sns.catplot(x="total_bill", y="day", hue="time",
 
 ![http://seaborn.pydata.org/_images/categorical_28_0.png](img/93d6927062ff93035052ed79d6e8e224.jpg)
 
-当hue参数只有两个级别时，也可以“拆分”violins，这样可以更有效地利用空间：
+当 hue 参数只有两个级别时，也可以“拆分”violins，这样可以更有效地利用空间：
 
 ```py
 sns.catplot(x="day", y="total_bill", hue="sex",
@@ -180,7 +180,7 @@ sns.catplot(x="day", y="total_bill", hue="sex",
 
 ![http://seaborn.pydata.org/_images/categorical_30_0.png](img/a450fb151022958086f1733274e4f66b.jpg)
 
-最后，在violin内的绘图有几种选项，包括显示每个独立的观察而不是摘要箱线图值的方法：
+最后，在 violin 内的绘图有几种选项，包括显示每个独立的观察而不是摘要箱线图值的方法：
 
 ```py
 sns.catplot(x="day", y="total_bill", hue="sex",
@@ -191,7 +191,7 @@ sns.catplot(x="day", y="total_bill", hue="sex",
 
 ![http://seaborn.pydata.org/_images/categorical_32_0.png](img/a1fee05f41f1d43a9d9a6f1b9c301e0d.jpg)
 
-我们也可以将[`swarmplot()`](../generated/seaborn.swarmplot.html#seaborn.swarmplot "seaborn.swarmplot")或`striplot()`与箱形图或violin plot结合起来，展示每次观察以及分布摘要：
+我们也可以将[`swarmplot()`](../generated/seaborn.swarmplot.html#seaborn.swarmplot "seaborn.swarmplot")或`striplot()`与箱形图或 violin plot 结合起来，展示每次观察以及分布摘要：
 
 ```py
 g = sns.catplot(x="day", y="total_bill", kind="violin", inner=None, data=tips)
@@ -203,11 +203,11 @@ sns.swarmplot(x="day", y="total_bill", color="k", size=3, data=tips, ax=g.ax);
 
 ## 类别内的统计估计
 
-对于其他应用程序，你可能希望显示值的集中趋势估计，而不是显示每个类别中的分布。Seaborn有两种主要方式来显示这些信息。重要的是，这些功能的基本API与上面讨论的API相同。
+对于其他应用程序，你可能希望显示值的集中趋势估计，而不是显示每个类别中的分布。Seaborn 有两种主要方式来显示这些信息。重要的是，这些功能的基本 API 与上面讨论的 API 相同。
 
 ### 条形图
 
-实现这一目标的是我们熟悉的条形图。在seaborn中，[`barplot()`](../generated/seaborn.barplot.html#seaborn.barplot "seaborn.barplot")函数在完整数据集上运行并应用函数来获取估计值（默认情况下取平均值）。当每个类别中有多个观察值时，它还使用自举来计算估计值周围的置信区间，并使用误差条绘制：
+实现这一目标的是我们熟悉的条形图。在 seaborn 中，[`barplot()`](../generated/seaborn.barplot.html#seaborn.barplot "seaborn.barplot")函数在完整数据集上运行并应用函数来获取估计值（默认情况下取平均值）。当每个类别中有多个观察值时，它还使用自举来计算估计值周围的置信区间，并使用误差条绘制：
 
 ```py
 titanic = sns.load_dataset("titanic")
@@ -217,7 +217,7 @@ sns.catplot(x="sex", y="survived", hue="class", kind="bar", data=titanic);
 
 ![http://seaborn.pydata.org/_images/categorical_36_0.png](img/727bcad15c428cfdd74d27db87677157.jpg)
 
-条形图的一个特例是，当你想要显示每个类别中的观察数量而不是计算第二个变量的统计数据时。这类似于分类而非定量变量的直方图。在seaborn中，使用[`countplot()`](../generated/seaborn.countplot.html#seaborn.countplot "seaborn.countplot")函数很容易实现：
+条形图的一个特例是，当你想要显示每个类别中的观察数量而不是计算第二个变量的统计数据时。这类似于分类而非定量变量的直方图。在 seaborn 中，使用[`countplot()`](../generated/seaborn.countplot.html#seaborn.countplot "seaborn.countplot")函数很容易实现：
 
 ```py
 sns.catplot(x="deck", kind="count", palette="ch:.25", data=titanic);
@@ -248,7 +248,7 @@ sns.catplot(x="sex", y="survived", hue="class", kind="point", data=titanic);
 
 ![http://seaborn.pydata.org/_images/categorical_42_0.png](img/687f85f5e0e06a68e6150c0533ff1748.jpg)
 
-当分类函数缺少关系函数中的`style`语义时, 将markers和linestyles与色调一起改变，以制作最大可访问的图形并在黑白中重现良好，这仍然是一个好主意：
+当分类函数缺少关系函数中的`style`语义时, 将 markers 和 linestyles 与色调一起改变，以制作最大可访问的图形并在黑白中重现良好，这仍然是一个好主意：
 
 ```py
 sns.catplot(x="class", y="survived", hue="sex",
@@ -262,7 +262,7 @@ sns.catplot(x="class", y="survived", hue="sex",
 
 ## 绘制“宽格式”数据
 
-虽然优选使用“长形式”或“整齐”数据，但这些函数也可以应用于各种“宽格式”的数据，包括pandas DataFrames或二维numpy数组。这些对象应该直接传递给`data`参数： 
+虽然优选使用“长形式”或“整齐”数据，但这些函数也可以应用于各种“宽格式”的数据，包括 pandas DataFrames 或二维 numpy 数组。这些对象应该直接传递给`data`参数： 
 
 ```py
 iris = sns.load_dataset("iris")
@@ -272,7 +272,7 @@ sns.catplot(data=iris, orient="h", kind="box");
 
 ![http://seaborn.pydata.org/_images/categorical_46_0.png](img/5307ba94c8d5a2ecca04c697414a762a.jpg)
 
-另外，axes-level函数接受Pandas或numpy对象的向量，而不是`DataFrame`中的变量：
+另外，axes-level 函数接受 Pandas 或 numpy 对象的向量，而不是`DataFrame`中的变量：
 
 ```py
 sns.violinplot(x=iris.species, y=iris.sepal_length);
@@ -281,7 +281,7 @@ sns.violinplot(x=iris.species, y=iris.sepal_length);
 
 ![http://seaborn.pydata.org/_images/categorical_48_0.png](img/426ace59c775cc095c6128e35bcff1b3.jpg)
 
-要控制上面讨论的函数绘制的图形的大小和形状，你必须使用matplotlib命令来进行设置：
+要控制上面讨论的函数绘制的图形的大小和形状，你必须使用 matplotlib 命令来进行设置：
 
 ```py
 f, ax = plt.subplots(figsize=(7, 3))
@@ -293,7 +293,7 @@ sns.countplot(y="deck", data=titanic, color="c");
 
 当你需要一个分类图与一个更复杂的其他类型的图共存时，你可以采取这种方法。
 
-## 显示与facet的多种关系
+## 显示与 facet 的多种关系
 
 就像[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")一样, [`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")建立在[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")上，这意味着很容易添加层面变量来可视化高维关系：
 
diff --git a/docs/40.md b/docs/40.md
index f17315e6c2725cf3a413d35897376330918c656d..be64a0340485c86629fd0d5c74c6ae14d1e44fc6 100644
--- a/docs/40.md
+++ b/docs/40.md
@@ -1,5 +1,7 @@
 # seaborn.PairGrid.map_upper
 
+> 译者：[sfw134](https://github.com/sfw134)
+
 ```py
 PairGrid.map_upper(func, **kwargs)
 ```
@@ -8,5 +10,5 @@ PairGrid.map_upper(func, **kwargs)
 
 参数：`func`：可调用的绘图函数
 
-> 必须将x,y数组作为位置参数并绘制到“当前活动”的matplotlib轴上。还需要接受名为color和label的kwargs。
+> 必须将 x,y 数组作为位置参数并绘制到“当前活动”的 matplotlib 轴上。还需要接受名为 color 和 label 的 kwargs。
 
diff --git a/docs/41.md b/docs/41.md
index e8a04ce48e01e484eaab3f01a3b0b38f6ff95ef1..baa3905a07159e02abf006ac6df2e6e20b988637 100644
--- a/docs/41.md
+++ b/docs/41.md
@@ -1,5 +1,7 @@
 # seaborn.JointGrid
 
+> 译者：[Yet-sun](https://github.com/Yet-sun)
+
 ```py
 class seaborn.JointGrid(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, size=None)
 ```
@@ -18,7 +20,7 @@ __init__(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None,
 
 `data`：DataFrame, 可选
 
-> 当 `x` and `y` 是变量名的时候为DataFrame。
+> 当 `x` and `y` 是变量名的时候为 DataFrame。
 
 `height`：数字
 
@@ -34,7 +36,7 @@ __init__(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None,
 
 `dropna`：bool, 可选
 
-> 如果为True，则删除 &lt;cite&gt;x&lt;/cite&gt; 和 &lt;cite&gt;y&lt;/cite&gt;中缺少的观察结果。
+> 如果为 True，则删除 `x` 和 `y`中缺少的观察结果。
 
 `{x, y}lim`：二元组，可选
 
@@ -167,9 +169,9 @@ __init__(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None,
 
 [`plot`](seaborn.JointGrid.plot.html#seaborn.JointGrid.plot "seaborn.JointGrid.plot")(joint_func, marginal_func[, annot_func]) | 绘制完整绘图的快捷方式。
 
- [`plot_joint`](seaborn.JointGrid.plot_joint.html#seaborn.JointGrid.plot_joint "seaborn.JointGrid.plot_joint")(func, **kwargs) | 绘制 &lt;cite&gt;x&lt;/cite&gt; 和 &lt;cite&gt;y&lt;/cite&gt;的双变量图。
+ [`plot_joint`](seaborn.JointGrid.plot_joint.html#seaborn.JointGrid.plot_joint "seaborn.JointGrid.plot_joint")(func, **kwargs) | 绘制 `x` 和 `y`的双变量图。
 
-[`plot_marginals`](seaborn.JointGrid.plot_marginals.html#seaborn.JointGrid.plot_marginals "seaborn.JointGrid.plot_marginals")(func, **kwargs) | 分别绘制 &lt;cite&gt;x&lt;/cite&gt; 和 &lt;cite&gt;y&lt;/cite&gt; 的单变量图。
+[`plot_marginals`](seaborn.JointGrid.plot_marginals.html#seaborn.JointGrid.plot_marginals "seaborn.JointGrid.plot_marginals")(func, **kwargs) | 分别绘制 `x` 和 `y` 的单变量图。
 
  `savefig`(*args, **kwargs) | 封装 figure.savefig 默认为紧边界框。
 
diff --git a/docs/42.md b/docs/42.md
index e0b84575a8849b9b249feeb90e911c71146b9c95..6b65ae6b4a3f2e5d68484b9f97ba9f5077740505 100644
--- a/docs/42.md
+++ b/docs/42.md
@@ -1,12 +1,14 @@
 # seaborn.JointGrid.plot
 
+> 译者：[Yet-sun](https://github.com/Yet-sun)
+
 ```py
 JointGrid.plot(joint_func, marginal_func, annot_func=None)
 ```
 
 绘制完整绘图的快捷方式。
 
-直接使用 &lt;cite&gt;plot_joint&lt;/cite&gt; 和 &lt;cite&gt;plot_marginals&lt;/cite&gt; 进行更多控制.
+直接使用 `plot_joint` 和 `plot_marginals` 进行更多控制.
 
 参数：**joint_func, marginal_func：可调用**
 
@@ -14,4 +16,4 @@ JointGrid.plot(joint_func, marginal_func, annot_func=None)
 
 返回值：`self`：JointGrid 实例
 
-> 返回 &lt;cite&gt;self&lt;/cite&gt;.
+> 返回 `self`.
diff --git a/docs/43.md b/docs/43.md
index 49bde5742016cd83fd2e00c8be34d0e0e975b8f5..063948511a99fb2b8625431ad0b249673d1edead 100644
--- a/docs/43.md
+++ b/docs/43.md
@@ -1,10 +1,12 @@
 # seaborn.JointGrid.plot_joint
 
+> 译者：[Yet-sun](https://github.com/Yet-sun)
+
 ```py
 JointGrid.plot_joint(func, **kwargs)
 ```
 
-绘制 &lt;cite&gt;x&lt;/cite&gt; and &lt;cite&gt;y&lt;/cite&gt;的双变量图。
+绘制 `x` and `y`的双变量图。
 
 参数：`func`：可调用的绘图函数
 
@@ -16,4 +18,4 @@ JointGrid.plot_joint(func, **kwargs)
 
 返回值：`self`：JointGrid 实例
 
-> 返回 &lt;cite&gt;self&lt;/cite&gt;.
+> 返回 `self`.
diff --git a/docs/44.md b/docs/44.md
index 524e6e0388c8cffe6cc496fabaed4969eaa9ba2a..5adade5795760d1dcb3f82e76c22a45527e37cd7 100644
--- a/docs/44.md
+++ b/docs/44.md
@@ -1,10 +1,12 @@
 # seaborn.JointGrid.plot_marginals
 
+> 译者：[Yet-sun](https://github.com/Yet-sun)
+
 ```py
 JointGrid.plot_marginals(func, **kwargs)
 ```
 
-分别绘制 &lt;cite&gt;x&lt;/cite&gt; 和 &lt;cite&gt;y&lt;/cite&gt; 的单变量图。
+分别绘制 `x` 和 `y` 的单变量图。
 
 参数：`func`：可调用的绘图函数
 
@@ -16,4 +18,4 @@ JointGrid.plot_marginals(func, **kwargs)
 
 返回值：`self`：JointGrid 实例
 
-> 返回 &lt;cite&gt;self&lt;/cite&gt;.
+> 返回 `self`.
diff --git a/docs/45.md b/docs/45.md
index 009293bbfc562a9aa43d0836d170c33e24a7c646..b91c3557269df91ddf9f36e1adae55f53254838f 100644
--- a/docs/45.md
+++ b/docs/45.md
@@ -1,5 +1,7 @@
 # seaborn.set
 
+> 译者：[lbllol365](https://github.com/lbllol365)
+
 ```python
 seaborn.set(context='notebook', style='darkgrid', palette='deep', font='sans-serif', font_scale=1, color_codes=True, rc=None)
 ```
@@ -22,7 +24,7 @@ palette：字符串或者序列
 
 font：字符串
 
-> 字体，参见matplotlib字体管理
+> 字体，参见 matplotlib 字体管理
 
 font_scale：浮点数，可选的
 
@@ -30,8 +32,8 @@ font_scale：浮点数，可选的
 
 color_codes：布尔值
 
-> 如果为真并且调色板是一个seaborn调色板，重新映射速记颜色代码（比如，"b"，"g"，"r"，等等）到调色板上的颜色。
+> 如果为真并且调色板是一个 seaborn 调色板，重新映射速记颜色代码（比如，"b"，"g"，"r"，等等）到调色板上的颜色。
 
-rc：字典或者None
+rc：字典或者 None
 
-> rc参数字典映射以覆盖以上参数。
\ No newline at end of file
+> rc 参数字典映射以覆盖以上参数。
\ No newline at end of file
diff --git a/docs/46.md b/docs/46.md
index 8320dd17fab2b079f2f46113b2fb4cbdc24a2b78..3abaf221d3f21b5b5b2810e9aedabb6a49c60877 100644
--- a/docs/46.md
+++ b/docs/46.md
@@ -1,5 +1,7 @@
 # seaborn.axes_style
 
+> 译者：[lbllol365](https://github.com/lbllol365)
+
 ```python
 seaborn.axes_style(style=None,rc=None)
 ```
@@ -8,7 +10,7 @@ seaborn.axes_style(style=None,rc=None)
 
 它会影响诸如坐标轴的颜色，是否默认启用网格，和其他自定义元素。
 
-这个函数返回一个对象，该对象可以在with语句中使用以临时改变样式参数。
+这个函数返回一个对象，该对象可以在 with 语句中使用以临时改变样式参数。
 
 参数：style：字典,None,或者{darkgrid, whitegrid, dark, white, ticks}其中一个。
 
@@ -16,11 +18,11 @@ seaborn.axes_style(style=None,rc=None)
 
 rc：字典，可选的
 
-> 给定参数映射以覆盖预先设定的（默认的）seaborn样式参数字典
+> 给定参数映射以覆盖预先设定的（默认的）seaborn 样式参数字典
 
 参见
 
-给一个seaborn主题设定matplotlib参数，返回一个参数字典，以缩放图标元素并可以定义图表的调色板。
+给一个 seaborn 主题设定 matplotlib 参数，返回一个参数字典，以缩放图标元素并可以定义图表的调色板。
 
 例子：
 
diff --git a/docs/47.md b/docs/47.md
index 9f252cdd411b022943949c276dddb054e0740319..f32348b6147597b34605a6a5ebccb5630259f7a9 100644
--- a/docs/47.md
+++ b/docs/47.md
@@ -1,5 +1,7 @@
 # seaborn.set_style
 
+> 译者：[lbllol365](https://github.com/lbllol365)
+
 ```python
 seaborn.set_style(style=None, rc=None)
 ```
@@ -14,11 +16,11 @@ seaborn.set_style(style=None, rc=None)
 
 rc：字典，可选
 
-> 一个字典映射去覆盖seaborn样式字典中的预设值。这仅仅会更新那些被认为是样式定义一部分的参数。
+> 一个字典映射去覆盖 seaborn 样式字典中的预设值。这仅仅会更新那些被认为是样式定义一部分的参数。
 
 参见
 
-返回一个参数字典或者使用with语句以临时设置style.set 的参数来缩放图表的元素或者设定图表的默认调色板。
+返回一个参数字典或者使用 with 语句以临时设置 style.set 的参数来缩放图表的元素或者设定图表的默认调色板。
 
 例子：
 
diff --git a/docs/48.md b/docs/48.md
index 5ee384e7ae6d8c856379528084f055dd7b9f0a43..3cd8341288c0f2c3d8af5fc0c7539cdcb486ef23 100644
--- a/docs/48.md
+++ b/docs/48.md
@@ -1,10 +1,13 @@
 # seaborn.plotting_context
+
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```python
 seaborn.plotting_context(context=None, font_scale=1, rc=None)
 ```
-以dict形式返回参数，用以缩放图形的元素。
+以 dict 形式返回参数，用以缩放图形的元素。
 
-这些参数可以影响诸如标签大小，线条和绘图的其他元素，但不会影响整体样式。基础文本时"notebook"，和其他文本"paper"，"talk"和"poster"，它们分别是0.8，1.3和1.6的notebook参数版本。
+这些参数可以影响诸如标签大小，线条和绘图的其他元素，但不会影响整体样式。基础文本时"notebook"，和其他文本"paper"，"talk"和"poster"，它们分别是 0.8，1.3 和 1.6 的 notebook 参数版本。
 
 该函数返回一个对象，该对象可以在`with`语句中使用，临时改变文本参数。
 
@@ -18,11 +21,11 @@ seaborn.plotting_context(context=None, font_scale=1, rc=None)
 
 `rc`：dict，可选
 
-> 参数映射以覆盖预设的seaborn的文本字典中的值。这只更新被视为文本定义的一部分的参数。
+> 参数映射以覆盖预设的 seaborn 的文本字典中的值。这只更新被视为文本定义的一部分的参数。
 
 也可参见
 
-设置matplotlib参数以调整绘图元素返回定义图形样式的参数的dict，定义绘图的调色板。
+设置 matplotlib 参数以调整绘图元素返回定义图形样式的参数的 dict，定义绘图的调色板。
 
 示例：
 
diff --git a/docs/49.md b/docs/49.md
index 28b935e2a77a8aed861c3096dfec48fea9bdbdbc..a736b4b7a3510703eb04f92d102737f0ec5d5a46 100644
--- a/docs/49.md
+++ b/docs/49.md
@@ -1,12 +1,14 @@
 # seaborn.set_context
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```python
 seaborn.set_context(context=None, font_scale=1, rc=None)
 ```
 
 设置绘图文本参数。
 
-这些参数可以影响诸如标签大小，线条和绘图的其他元素，但不会影响整体样式。基础文本时"notebook"，和其他文本"paper"，"talk"和"poster"，它们分别是0.8，1.3和1.6的notebook参数版本。
+这些参数可以影响诸如标签大小，线条和绘图的其他元素，但不会影响整体样式。基础文本时"notebook"，和其他文本"paper"，"talk"和"poster"，它们分别是 0.8，1.3 和 1.6 的 notebook 参数版本。
 
 参数：`context`：dict, None 或者是{paper, notebook, talk, poster}其中一个
 
@@ -18,11 +20,11 @@ seaborn.set_context(context=None, font_scale=1, rc=None)
 
 `rc`：dict，可选
 
-> 参数映射以覆盖预设的seaborn的上下文字典中的值。这只更新被视为上下文定义的一部分的参数。
+> 参数映射以覆盖预设的 seaborn 的上下文字典中的值。这只更新被视为上下文定义的一部分的参数。
 
 也可参见
 
-返回一个rc参数的字典，或者在`with`语句中使用临时设置context.set图样式的默认为数字的默认调色板
+返回一个 rc 参数的字典，或者在`with`语句中使用临时设置 context.set 图样式的默认为数字的默认调色板
 
 示例
 
diff --git a/docs/5.md b/docs/5.md
index 93cdaadba3d54420d29ad32862dc16acdb0346f5..e2ccbdd7aef732530767ac736798ed79d03610ce 100644
--- a/docs/5.md
+++ b/docs/5.md
@@ -2,7 +2,7 @@
 
 > 译者：[alohahahaha](https://github.com/alohahahaha)
 
-在处理一组数据时，您通常想做的第一件事就是了解变量的分布情况。本教程的这一章将简要介绍seaborn中用于检查单变量和双变量分布的一些工具。 您可能还需要查看[categorical.html]（categorical.html #categical-tutorial）章节中的函数示例，这些函数可以轻松地比较变量在其他变量级别上的分布。
+在处理一组数据时，您通常想做的第一件事就是了解变量的分布情况。本教程的这一章将简要介绍 seaborn 中用于检查单变量和双变量分布的一些工具。 您可能还需要查看[categorical.html]（categorical.html #categical-tutorial）章节中的函数示例，这些函数可以轻松地比较变量在其他变量级别上的分布。
 ```py
 import seaborn as sns
 import matplotlib.pyplot as plt
@@ -13,7 +13,7 @@ sns.set(color_codes=True)
 
 ## 绘制单变量分布
 
-在seaborn中想要快速查看单变量分布的最方便的方法是使用[`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")函数。默认情况下，该方法将会绘制直方图[histogram](https://en.wikipedia.org/wiki/Histogram)并拟合[内核密度估计] [kernel density estimate](https://en.wikipedia.org/wiki/Kernel_density_estimation) (KDE).
+在 seaborn 中想要快速查看单变量分布的最方便的方法是使用[`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")函数。默认情况下，该方法将会绘制直方图[histogram](https://en.wikipedia.org/wiki/Histogram)并拟合[内核密度估计] [kernel density estimate](https://en.wikipedia.org/wiki/Kernel_density_estimation) (KDE).
 
 ```py
 x = np.random.normal(size=100)
@@ -25,8 +25,8 @@ sns.distplot(x);
 
 ### 直方图
 
-对于直方图我们可能很熟悉，而且matplotlib中已经存在`hist`函数。 直方图首先确定数据区间，然后观察数据落入这些区间中的数量来绘制柱形图以此来表征数据的分布情况。
-为了说明这一点，让我们删除密度曲线并添加一个rug plot，它在每个观察值上画一个小的垂直刻度。您可以使用[`rugplot()`](../generated/seaborn.rugplot.html#seaborn.rugplot "seaborn.rugplot") 函数来创建rugplot本身，但是也可以在 [`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")中使用:
+对于直方图我们可能很熟悉，而且 matplotlib 中已经存在`hist`函数。 直方图首先确定数据区间，然后观察数据落入这些区间中的数量来绘制柱形图以此来表征数据的分布情况。
+为了说明这一点，让我们删除密度曲线并添加一个 rug plot，它在每个观察值上画一个小的垂直刻度。您可以使用[`rugplot()`](../generated/seaborn.rugplot.html#seaborn.rugplot "seaborn.rugplot") 函数来创建 rugplot 本身，但是也可以在 [`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")中使用:
 
 ```py
 sns.distplot(x, kde=False, rug=True);
@@ -46,7 +46,7 @@ sns.distplot(x, bins=20, kde=False, rug=True);
 
 ### 核密度估计
 
-可能你对核密度估计不太熟悉，但它可以是绘制分布形状的有力工具。和直方图一样，KDE图沿另一个轴的高度，编码一个轴上的观测密度：
+可能你对核密度估计不太熟悉，但它可以是绘制分布形状的有力工具。和直方图一样，KDE 图沿另一个轴的高度，编码一个轴上的观测密度：
 ```py
 sns.distplot(x, hist=False, rug=True);
 
@@ -54,7 +54,7 @@ sns.distplot(x, hist=False, rug=True);
 
 ![http://seaborn.pydata.org/_images/distributions_12_0.png](img/a6d422236da60cc9bd01d12080b60453.jpg)
 
-绘制KDE比绘制直方图更需要计算。每个观测值首先被一个以该值为中心的正态(高斯)曲线所取代:
+绘制 KDE 比绘制直方图更需要计算。每个观测值首先被一个以该值为中心的正态(高斯)曲线所取代:
 ```py
 x = np.random.normal(0, 1, size=30)
 bandwidth = 1.06 * x.std() * x.size ** (-1 / 5.)
@@ -73,7 +73,7 @@ sns.rugplot(x, color=".2", linewidth=3);
 
 ![http://seaborn.pydata.org/_images/distributions_14_0.png](img/31ee2d7a3dfda467565a2053ac19a38f.jpg)
 
-接下来，对这些曲线求和，计算支持网格(support grid)中每个点的密度值。然后对得到的曲线进行归一化，使曲线下的面积等于1:
+接下来，对这些曲线求和，计算支持网格(support grid)中每个点的密度值。然后对得到的曲线进行归一化，使曲线下的面积等于 1:
 
 ```py
 from scipy.integrate import trapz
@@ -85,7 +85,7 @@ plt.plot(support, density);
 
 ![http://seaborn.pydata.org/_images/distributions_16_0.png](img/d0ff3115fb5935fe56c1bb8123d5ddce.jpg)
 
-我们可以看到，如果在seaborn中使用[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot") 函数， 我们可以得到相同的曲线。这个函数也被[`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")所使用, 但是当您只想要密度估计时，它提供了一个更直接的接口，可以更容易地访问其他选项:
+我们可以看到，如果在 seaborn 中使用[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot") 函数， 我们可以得到相同的曲线。这个函数也被[`distplot()`](../generated/seaborn.distplot.html#seaborn.distplot "seaborn.distplot")所使用, 但是当您只想要密度估计时，它提供了一个更直接的接口，可以更容易地访问其他选项:
 
 ```py
 sns.kdeplot(x, shade=True);
@@ -94,7 +94,7 @@ sns.kdeplot(x, shade=True);
 
 ![http://seaborn.pydata.org/_images/distributions_18_0.png](img/247df80468d3edbc28836cb1cc56c81c.jpg)
 
-KDE的带宽（`bw`）参数控制估计与数据的拟合程度，就像直方图中的bin大小一样。 它对应于我们在上面绘制的内核的宽度。 默认行为尝试使用常用参考规则猜测一个好的值，但尝试更大或更小的值可能会有所帮助：
+KDE 的带宽（`bw`）参数控制估计与数据的拟合程度，就像直方图中的 bin 大小一样。 它对应于我们在上面绘制的内核的宽度。 默认行为尝试使用常用参考规则猜测一个好的值，但尝试更大或更小的值可能会有所帮助：
 ```py
 sns.kdeplot(x)
 sns.kdeplot(x, bw=.2, label="bw: 0.2")
@@ -105,7 +105,7 @@ plt.legend();
 
 ![http://seaborn.pydata.org/_images/distributions_20_0.png](img/8a713fe4da039acf9c3a4e70b274b60a.jpg)
 
-正如您在上面所看到的，高斯KDE过程的本质意味着估计超出了数据集中最大和最小的值。有可能控制超过极值多远的曲线是由'cut'参数绘制的;然而，这只影响曲线的绘制方式，而不影响曲线的拟合方式:
+正如您在上面所看到的，高斯 KDE 过程的本质意味着估计超出了数据集中最大和最小的值。有可能控制超过极值多远的曲线是由'cut'参数绘制的;然而，这只影响曲线的绘制方式，而不影响曲线的拟合方式:
 
 ```py
 sns.kdeplot(x, shade=True, cut=0)
@@ -130,7 +130,7 @@ sns.distplot(x, kde=False, fit=stats.gamma);
 
 ## 绘制二元分布
 
-它对于可视化两个变量的二元分布也很有用。在seaborn中，最简单的方法就是使用[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")函数，它创建了一个多面板图形，显示了两个变量之间的二元(或联合)关系，以及每个变量在单独轴上的一元(或边际)分布。
+它对于可视化两个变量的二元分布也很有用。在 seaborn 中，最简单的方法就是使用[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")函数，它创建了一个多面板图形，显示了两个变量之间的二元(或联合)关系，以及每个变量在单独轴上的一元(或边际)分布。
 
 ```py
 mean, cov = [0, 1], [(1, .5), (.5, 1)]
@@ -141,7 +141,7 @@ df = pd.DataFrame(data, columns=["x", "y"])
 
 ### 散点图
 
-可视化二元分布最常见的方法是散点图，其中每个观察点都以_x_和_y_值表示。 这类似于二维rug plot。 您可以使用matplotlib的`plt.scatter` 函数绘制散点图, 它也是 [`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")函数显示的默认类型的图:
+可视化二元分布最常见的方法是散点图，其中每个观察点都以 _x_ 和 _y_ 值表示。 这类似于二维 rug plot。 您可以使用 matplotlib 的`plt.scatter` 函数绘制散点图, 它也是 [`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")函数显示的默认类型的图:
 
 ```py
 sns.jointplot(x="x", y="y", data=df);
@@ -152,7 +152,7 @@ sns.jointplot(x="x", y="y", data=df);
 
 ### 六边形“桶”(Hexbin)图
 
-类似于单变量的直方图，用于描绘二元变量关系的图称为 “hexbin” 图,因为它显示了落入六边形“桶”内的观察计数。 此图对于相对较大的数据集最有效。它可以通过调用matplotlib中的 `plt.hexbin`函数获得并且在[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")作为一种样式。当使用白色作为背景色时效果最佳。
+类似于单变量的直方图，用于描绘二元变量关系的图称为 “hexbin” 图,因为它显示了落入六边形“桶”内的观察计数。 此图对于相对较大的数据集最有效。它可以通过调用 matplotlib 中的 `plt.hexbin`函数获得并且在[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")作为一种样式。当使用白色作为背景色时效果最佳。
 
 ```py
 x, y = np.random.multivariate_normal(mean, cov, 1000).T
@@ -165,7 +165,7 @@ with sns.axes_style("white"):
 
 ### 核密度估计
 
-也可以使用上面描述的核密度估计过程来可视化二元分布。在seaborn中，这种图用等高线图表示， 在[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")中被当作一种样式:
+也可以使用上面描述的核密度估计过程来可视化二元分布。在 seaborn 中，这种图用等高线图表示， 在[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")中被当作一种样式:
 
 ```py
 sns.jointplot(x="x", y="y", data=df, kind="kde");
@@ -174,7 +174,7 @@ sns.jointplot(x="x", y="y", data=df, kind="kde");
 
 ![http://seaborn.pydata.org/_images/distributions_32_0.png](img/3fa9b8716f00e81aa6ca6864cb110e2b.jpg)
 
-您还可以使用[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")函数绘制二维核密度图。这允许您在一个特定的(可能已经存在的)matplotlib轴上绘制这种图，而 [`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 函数能够管理它自己的图:
+您还可以使用[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")函数绘制二维核密度图。这允许您在一个特定的(可能已经存在的)matplotlib 轴上绘制这种图，而 [`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 函数能够管理它自己的图:
 
 ```py
 f, ax = plt.subplots(figsize=(6, 6))
@@ -211,7 +211,7 @@ g.set_axis_labels("$X$", "$Y$");
 
 ## 可视化数据集中的成对关系
 
-要在数据集中绘制多个成对的双变量分布，您可以使用[`pairplot()`](../generated/seaborn.pairplot.html#seaborn.pairplot "seaborn.pairplot")函数。 这将创建一个轴矩阵并显示DataFrame中每对列的关系，默认情况下，它还绘制对角轴上每个变量的单变量分布：
+要在数据集中绘制多个成对的双变量分布，您可以使用[`pairplot()`](../generated/seaborn.pairplot.html#seaborn.pairplot "seaborn.pairplot")函数。 这将创建一个轴矩阵并显示 DataFrame 中每对列的关系，默认情况下，它还绘制对角轴上每个变量的单变量分布：
 ```py
 iris = sns.load_dataset("iris")
 sns.pairplot(iris);
diff --git a/docs/50.md b/docs/50.md
index 2c29166b6f868cb1bdb6077a2ca5bd44b881ca4b..53b2ebf372f2e0c16192fe778acab97584a33aee 100644
--- a/docs/50.md
+++ b/docs/50.md
@@ -1,24 +1,26 @@
 # seaborn.set_color_codes
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```python
 seaborn.set_color_codes(palette='deep')
 ```
 
-改变matplotlib颜色缩写词的解释方式。
+改变 matplotlib 颜色缩写词的解释方式。
 
-调用此方法将改变matplotlib在后续图表中解释缩写词，例如"b"或"g"的方式。
+调用此方法将改变 matplotlib 在后续图表中解释缩写词，例如"b"或"g"的方式。
 
 参数： `palette`: {deep, muted, pastel, dark, bright, colorblind}
 
-> 预命名的seaborn调色板，用作颜色的来源
+> 预命名的 seaborn 调色板，用作颜色的来源
 
 参见
 
-可以通过高级seaborn样式管理器设置颜色代码。也可以通过设置matplotlib颜色循环功能设置颜色代码。
+可以通过高级 seaborn 样式管理器设置颜色代码。也可以通过设置 matplotlib 颜色循环功能设置颜色代码。
 
 示例：
 
-将matplotlib颜色代码映射到默认的seaborn调色板。
+将 matplotlib 颜色代码映射到默认的 seaborn 调色板。
 
 ```python
 >>> import matplotlib.pyplot as plt
@@ -29,7 +31,7 @@ seaborn.set_color_codes(palette='deep')
 
 ![http://seaborn.pydata.org/_images/seaborn-set_color_codes-1.png](img/f7331a33eaedf9eae59191642f7a64e4.jpg)
 
-使用不同的seaborn调色板
+使用不同的 seaborn 调色板
 
 ```python
 >>> sns.set_color_codes("dark")
diff --git a/docs/51.md b/docs/51.md
index e1430a9e3ff59c00ef0ac313e5e0fd6563ff3157..74c953659c29e49cf9ef98e3ccdaa8357300b044 100644
--- a/docs/51.md
+++ b/docs/51.md
@@ -1,7 +1,9 @@
 # seaborn.reset_defaults
 
+> 译者：[cancan233](https://github.com/cancan233)
+
  ```python
 seaborn.reset_defaults()
  ```
 
-重置所有RC设置至默认设置。
\ No newline at end of file
+重置所有 RC 设置至默认设置。
\ No newline at end of file
diff --git a/docs/52.md b/docs/52.md
index b080586f387094da24091cad02bb0c658027197b..84ac255fad640dc4f0351e9da55ae23178ce7d5b 100644
--- a/docs/52.md
+++ b/docs/52.md
@@ -1,8 +1,10 @@
 # seaborn.reset_orig
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 ```python
 seaborn.reset_orig()
 ```
 
-将所有RC参数恢复为最初设置(相对于自定义rc而言)。
+将所有 RC 参数恢复为最初设置(相对于自定义 rc 而言)。
 
diff --git a/docs/53.md b/docs/53.md
index 1f42a62ecf56b1e467cbe228079c17c539afbb24..6024deaf1b77b10d6d83d814659aa1a644a6dbc1 100644
--- a/docs/53.md
+++ b/docs/53.md
@@ -6,7 +6,7 @@
 seaborn.set_palette(palette, n_colors=None, desat=None, color_codes=False)
 ```
 
-通过searborn调色板设置matplotlib色彩循环
+通过 searborn 调色板设置 matplotlib 色彩循环
 
 参数：`palette`：seaborn color paltte &#124; matplotlib colormap &#124; hls &#124; husl
 
@@ -22,7 +22,7 @@ seaborn.set_palette(palette, n_colors=None, desat=None, color_codes=False)
 
 `color_codes`：bool
 
-> 如果为`True`，并且`palette`是seaborn调色板, 则将颜色代码简写 (例如“b”, “g”, “r”等等)映射到当前调色板上。
+> 如果为`True`，并且`palette`是 seaborn 调色板, 则将颜色代码简写 (例如“b”, “g”, “r”等等)映射到当前调色板上。
 
 
 
diff --git a/docs/54.md b/docs/54.md
index 198959e6480eabb5f93ca552c36d3a98754488c8..159468841fe29188dff9c05ad74212e03f3caef4 100644
--- a/docs/54.md
+++ b/docs/54.md
@@ -26,7 +26,7 @@ matplotlib 调色板的顺序可以通过在调色板名称后添加 “_r” 
 
 可以在 `with` 语句中使用此函数来为一个或多个点临时改变调色板。
 
-参考这篇 [教程](../tutorial/color_palettes.html#palette-tutorial) 来获取更多信息。
+参考这篇 [教程](http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial) 来获取更多信息。
 
 参数：**palette：None, string, or sequence, optional**
 
@@ -50,7 +50,7 @@ matplotlib 调色板的顺序可以通过在调色板名称后添加 “_r” 
 
 另外
 
-设置所有的默认颜色循环。重新分配颜色代码，如 “b”、“g” 等。从seaborn 调色板中选择颜色。
+设置所有的默认颜色循环。重新分配颜色代码，如 “b”、“g” 等。从 seaborn 调色板中选择颜色。
 
 例子
 
@@ -64,7 +64,7 @@ matplotlib 调色板的顺序可以通过在调色板名称后添加 “_r” 
 
 ![http://seaborn.pydata.org/_images/seaborn-color_palette-1.png](img/9a5bb2b7fbd94af1db1d911dfbec1f7c.jpg)
 
-显示另一个 “seaborn 调色板”，具有与默认 matplotlib 颜色循环相同的基本色调顺序，但颜色更吸引人。默认情况下，使用调色板名称进行调用将返回6种颜色：
+显示另一个 “seaborn 调色板”，具有与默认 matplotlib 颜色循环相同的基本色调顺序，但颜色更吸引人。默认情况下，使用调色板名称进行调用将返回 6 种颜色：
 
 ```py
 >>> sns.palplot(sns.color_palette("muted"))
diff --git a/docs/57.md b/docs/57.md
index 455ad2e5905f4ce37672d82065430e5ed5d77d8b..e6618ee7f34222c12e6cb9e08e4cacaf670d3097 100644
--- a/docs/57.md
+++ b/docs/57.md
@@ -8,7 +8,7 @@ seaborn.cubehelix_palette(n_colors=6, start=0, rot=0.4, gamma=1.0, hue=0.8, ligh
 
 用 cubehelix 系统制作顺序调色板。
 
-生成亮度呈线性减小(或增大)的 colormap。这意味着 colormap在转换为黑白模式时(用于打印)的信息将得到保留，且对色盲友好。“cubehelix” 也可以作为基于 matplotlib 的调色板使用，但此函数使用户可以更好地控制调色板的外观，并且具有一组不同的默认值。
+生成亮度呈线性减小(或增大)的 colormap。这意味着 colormap 在转换为黑白模式时(用于打印)的信息将得到保留，且对色盲友好。“cubehelix” 也可以作为基于 matplotlib 的调色板使用，但此函数使用户可以更好地控制调色板的外观，并且具有一组不同的默认值。
 
 除了使用这个函数，还可以在 seaborn 中使用字符串速记生成 cubehelix 调色板。 请参见下面的示例。
 
diff --git a/docs/6.md b/docs/6.md
index f9d67b76d822028f726749e5e3506840fdcdf443..9a95aadbf764f1fb8aa01f8c04a4674e49072bd2 100644
--- a/docs/6.md
+++ b/docs/6.md
@@ -1,8 +1,10 @@
 # 线性关系可视化
 
+> 译者：[cancan233](https://github.com/cancan233)
+
 许多数据集包含多定量变量，并且分析的目的通常是将这些变量联系起来。我们[之前讨论](#/docs/5)可以通过显示两个变量相关性的来实现此目的的函数。但是，使用统计模型来估计两组噪声观察量之间的简单关系可能会非常有效。本章讨论的函数将通过线性回归的通用框架实现。
 
-本着图凯(Tukey)精神，seaborn中的回归图主要用于添加视觉指南，以助于在探索性数据分析中强调存在于数据集的模式。换而言之，seaborn本身不是为统计分析而生。要获得与回归模型拟合相关定量度量，你应当使用 [statsmodels](https://www.statsmodels.org/). 然而，seaborn的目标是通过可视化快速简便地3探索数据集，因为这样做，如果说不上更，是与通过统计表探索数据集一样重要。
+本着图凯(Tukey)精神，seaborn 中的回归图主要用于添加视觉指南，以助于在探索性数据分析中强调存在于数据集的模式。换而言之，seaborn 本身不是为统计分析而生。要获得与回归模型拟合相关定量度量，你应当使用 [statsmodels](https://www.statsmodels.org/). 然而，seaborn 的目标是通过可视化快速简便地 3 探索数据集，因为这样做，如果说不上更，是与通过统计表探索数据集一样重要。
 
 ``` python
 import numpy as np
@@ -20,9 +22,9 @@ tips = sns.load_dataset("tips")
 
 ## 绘制线性回归模型的函数
 
-seaborn中两个主要函数主要用于显示回归确定的线性关系。这些函数，[`regplot()`](../generated/seaborn.regplot.html＃seaborn.regplot"seaborn.regplot") 和 [`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")， 之间密切关联，并且共享核心功能。但是，了解它们的不同之处非常重要，这样你就可以快速为特定工作选择正确的工具。
+seaborn 中两个主要函数主要用于显示回归确定的线性关系。这些函数，[`regplot()`](../generated/seaborn.regplot.html＃seaborn.regplot"seaborn.regplot") 和 [`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")， 之间密切关联，并且共享核心功能。但是，了解它们的不同之处非常重要，这样你就可以快速为特定工作选择正确的工具。
 
-在最简单的调用中，两个函数都绘制了两个变量，`x`和`y`，然后拟合回归模型`y~x`并绘制得到回归线和该回归的95%置信区间：
+在最简单的调用中，两个函数都绘制了两个变量，`x`和`y`，然后拟合回归模型`y~x`并绘制得到回归线和该回归的 95%置信区间：
 
 ```python
 sns.regplot(x="total_bill", y="tip", data=tips);
@@ -36,7 +38,7 @@ sns.lmplot(x="total_bill", y="tip", data=tips);
 
 ![http://seaborn.pydata.org/_images/regression_8_0.png](img/ff165b205839381bf1fa11c2df3d176d.jpg)
 
-你应当注意到，除了图形形状不同，两幅结果图是完全一致的。我们会在后面解释原因。目前，要了解的另一个主要区别是[`regplot()`](../generated/seaborn.regplot.html＃seaborn.regplot"seaborn.regplot")接受多种格式的`x`和`y`变量，包括简单的numpy数组，pandas `Series`对象，或者作为对传递给`data`的pandas `DataFrame`对象。相反，[`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")将`data`作为必须参数，`x`和`y`变量必须被指定为字符串。这种数据格式被称为"长格式"或["整齐"](https://vita.had.co.nz/papers/tidy-data.pdf)数据。 除了这种输入的灵活性之外，[`regplot()`](../ generated / seaborn.regplot.html＃seaborn.regplot"seaborn.regplot")拥有[`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")一个子集的功能，所以我们将使用后者来演示它们。
+你应当注意到，除了图形形状不同，两幅结果图是完全一致的。我们会在后面解释原因。目前，要了解的另一个主要区别是[`regplot()`](../generated/seaborn.regplot.html＃seaborn.regplot"seaborn.regplot")接受多种格式的`x`和`y`变量，包括简单的 numpy 数组，pandas `Series`对象，或者作为对传递给`data`的 pandas `DataFrame`对象。相反，[`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")将`data`作为必须参数，`x`和`y`变量必须被指定为字符串。这种数据格式被称为"长格式"或["整齐"](https://vita.had.co.nz/papers/tidy-data.pdf)数据。 除了这种输入的灵活性之外，[`regplot()`](../ generated / seaborn.regplot.html＃seaborn.regplot"seaborn.regplot")拥有[`lmplot()`](../generated/seaborn.lmplot.html＃seaborn.lmplot"seaborn.lmplot")一个子集的功能，所以我们将使用后者来演示它们。
 
 当其中一个变量采用离散值时，可以拟合线性回归。但是，这种数据集生成的简单散点图通常不是最优的：
 
@@ -64,7 +66,7 @@ sns.lmplot(x="size", y="tip", data=tips, x_estimator=np.mean);
 
 ## 拟合不同模型
 
-上面使用的简单线性回归模型非常容易拟合，但是它不适合某些类型的数据集。[Anscombe的四重奏](https://en.wikipedia.org/wiki/Anscombe%27s_quartet)数据集展示了一些实例，其中简单线性回归提供了相同的关系估计，然而简单的视觉检查清楚地显示了差异。例如，在第一种情况下，线性回归是一个很好的模型：
+上面使用的简单线性回归模型非常容易拟合，但是它不适合某些类型的数据集。[Anscombe 的四重奏](https://en.wikipedia.org/wiki/Anscombe%27s_quartet)数据集展示了一些实例，其中简单线性回归提供了相同的关系估计，然而简单的视觉检查清楚地显示了差异。例如，在第一种情况下，线性回归是一个很好的模型：
 
 ```python
 anscombe = sns.load_dataset("anscombe")
@@ -199,7 +201,7 @@ sns.lmplot(x="total_bill", y="tip", hue="smoker",
 
 ## 控制绘图的大小和形状
 
-在之前，我们注意到[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")和[`lmplot()`](../generated/seaborn.lmplot.html#seaborn.lmplot "seaborn.lmplot")生成的默认图看起来相同，但却具有不同的大小和形状。这是因为[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")是一个"轴级"函数，它绘制在特定的轴上。这意味着你可以自己制作多面板图形并精确控制回归图的位置。如果没有明确提供轴对象，它只使用"当前活动"轴，这就是默认绘图与大多数其他matplotlib函数具有相同大小和形状的原因。要控制大小，你需要自己创建一个图形对象。
+在之前，我们注意到[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")和[`lmplot()`](../generated/seaborn.lmplot.html#seaborn.lmplot "seaborn.lmplot")生成的默认图看起来相同，但却具有不同的大小和形状。这是因为[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")是一个"轴级"函数，它绘制在特定的轴上。这意味着你可以自己制作多面板图形并精确控制回归图的位置。如果没有明确提供轴对象，它只使用"当前活动"轴，这就是默认绘图与大多数其他 matplotlib 函数具有相同大小和形状的原因。要控制大小，你需要自己创建一个图形对象。
 
 ```python
 f, ax = plt.subplots(figsize=(5, 6))
@@ -226,7 +228,7 @@ sns.lmplot(x="total_bill", y="tip", col="day", data=tips,
 
 ## 在其他情境中绘制回归
 
-其他一些seaborn函数在更大，更复杂的图中使用[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")。第一个是我们在[发行教程](distributions.html#distribution-tutorial)中引入的[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")。除了前面讨论的绘制风格，[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 可以使用[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")通过传递`kind="reg"`来显示轴上的线性回归拟合：
+其他一些 seaborn 函数在更大，更复杂的图中使用[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")。第一个是我们在[发行教程](distributions.html#distribution-tutorial)中引入的[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot")。除了前面讨论的绘制风格，[`jointplot()`](../generated/seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 可以使用[`regplot()`](../generated/seaborn.regplot.html#seaborn.regplot "seaborn.regplot")通过传递`kind="reg"`来显示轴上的线性回归拟合：
 
 ```python
 sns.jointplot(x="total_bill", y="tip", data=tips, kind="reg");
diff --git a/docs/60.md b/docs/60.md
index fccda307e3de33d9d2df8c82cd9d8a9c8e2ffdfe..623914cc4d48d94f47bdbc9122a3d4a76aa5eacc 100644
--- a/docs/60.md
+++ b/docs/60.md
@@ -24,7 +24,7 @@ seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, center='light',
 
 `n`：int，可选
 
-> 调色板中的颜色数（如果为not，返回一个colormap）
+> 调色板中的颜色数（如果为 not，返回一个 colormap）
 
 `center`：{“light”, “dark”}, 可选
 
diff --git a/docs/62.md b/docs/62.md
index b3343cd5957217d259c71ec07ca6be2d480b7955..f4f6d89fe73e7fb99749affb1a4ecaa62b5d51e3 100644
--- a/docs/62.md
+++ b/docs/62.md
@@ -6,7 +6,7 @@
 seaborn.xkcd_palette(colors)
 ```
 
-使用来自xkcd color survey的颜色名字生成调色板。
+使用来自 xkcd color survey 的颜色名字生成调色板。
 
 查看完整的 xkcd 颜色列表： [https://xkcd.com/color/rgb/](https://xkcd.com/color/rgb/)
 
diff --git a/docs/63.md b/docs/63.md
index 78cc3a95db9bb8fa9ebbdb7122a170753d469b57..2c3da43cc1b6b802e435d495c52f2e9a5da887f1 100644
--- a/docs/63.md
+++ b/docs/63.md
@@ -25,4 +25,4 @@ seaborn.crayon_palette(colors)
 
 另外
 
-使用来自xkcd color survey的颜色名字创建调色板。
+使用来自 xkcd color survey 的颜色名字创建调色板。
diff --git a/docs/7.md b/docs/7.md
index c70fbc4010f61989e0cc6533ca05a1109cdf5765..944061331963de3d9d2a69772e228cb0d4bfef4d 100644
--- a/docs/7.md
+++ b/docs/7.md
@@ -2,11 +2,11 @@
 
 > 译者：[keyianpai](https://github.com/keyianpai)
 
-在探索中等维度数据时，经常需要在数据集的不同子集上绘制同一类型图的多个实例。这种技术有时被称为“网格”或“格子”绘图，它与[“多重小图”](https://en.wikipedia.org/wiki/Small_multiple)的概念有关。这种技术使查看者从复杂数据中快速提取大量信息。 Matplotlib为绘制这种多轴图提供了很好的支持; seaborn构建于此之上，可直接将绘图结构和数据集结构关系起来。
+在探索中等维度数据时，经常需要在数据集的不同子集上绘制同一类型图的多个实例。这种技术有时被称为“网格”或“格子”绘图，它与[“多重小图”](https://en.wikipedia.org/wiki/Small_multiple)的概念有关。这种技术使查看者从复杂数据中快速提取大量信息。 Matplotlib 为绘制这种多轴图提供了很好的支持; seaborn 构建于此之上，可直接将绘图结构和数据集结构关系起来。
 
-要使用网格图功能，数据必须在Pandas数据框中，并且必须采用 Hadley Whickam所谓的 [“整洁”数据](https://vita.had.co.nz/papers/tidy-data.pdf)的形式。简言之，用来画图的数据框应该构造成每列一个变量，每一行一个观察的形式。
+要使用网格图功能，数据必须在 Pandas 数据框中，并且必须采用 Hadley Whickam 所谓的 [“整洁”数据](https://vita.had.co.nz/papers/tidy-data.pdf)的形式。简言之，用来画图的数据框应该构造成每列一个变量，每一行一个观察的形式。
 
-至于高级用法，可以直接使用本教程中讨论的对象，以提供最大的灵活性。一些seaborn函数（例如`lmplot()`，`catplot()`和`pairplot()`）也在后台使用它们。与其他在没有操纵图形的情况下绘制到特定的（可能已经存在的）matplotlib `Axes`上的“Axes-level” seaborn函数不同，这些更高级别的函数在调用时会创建一个图形，并且通常对图形的设置方式更加严格。在某些情况下，这些函数或它们所依赖的类构造函数的参数将提供不同的接口属性，如`lmplot()`中的图形大小，你可以设置每个子图的高和宽高比。但是，使用这些对象的函数在绘图后都会返回它，并且这些对象大多都有方便简单的方法来改变图的绘制方式。
+至于高级用法，可以直接使用本教程中讨论的对象，以提供最大的灵活性。一些 seaborn 函数（例如`lmplot()`，`catplot()`和`pairplot()`）也在后台使用它们。与其他在没有操纵图形的情况下绘制到特定的（可能已经存在的）matplotlib `Axes`上的“Axes-level” seaborn 函数不同，这些更高级别的函数在调用时会创建一个图形，并且通常对图形的设置方式更加严格。在某些情况下，这些函数或它们所依赖的类构造函数的参数将提供不同的接口属性，如`lmplot()`中的图形大小，你可以设置每个子图的高和宽高比。但是，使用这些对象的函数在绘图后都会返回它，并且这些对象大多都有方便简单的方法来改变图的绘制方式。
 ```py
 import seaborn as sns
 import matplotlib.pyplot as plt
@@ -38,9 +38,9 @@ g = sns.FacetGrid(tips, col="time")
 
 ![http://seaborn.pydata.org/_images/axis_grids_7_0.png](img/98101f3cd02be71d90f9d777eca5876f.jpg)
 
-如上初始化网格会设置matplotlib图形和轴，但不会在其上绘制任何内容。
+如上初始化网格会设置 matplotlib 图形和轴，但不会在其上绘制任何内容。
 
-在网格上可视化数据的主要方法是FacetGrid.map()。为此方法提供绘图函数以及要绘制的数据框变量名作为参数。我们使用直方图绘制每个子集中小费金额的分布。
+在网格上可视化数据的主要方法是 FacetGrid.map()。为此方法提供绘图函数以及要绘制的数据框变量名作为参数。我们使用直方图绘制每个子集中小费金额的分布。
 ```py
 g = sns.FacetGrid(tips, col="time")
 g.map(plt.hist, "tip");
@@ -69,7 +69,7 @@ g.map(sns.regplot, "size", "total_bill", color=".3", fit_reg=False, x_jitter=.1)
 ![http://seaborn.pydata.org/_images/axis_grids_13_0.png](img/8da0c248ec165400ddf3c27f13d9a824.jpg)
 
 
-注意，matplotlib API并未正式支持`margin_titles`，此选项在一些情况下可能无法正常工作。特别是，它目前不能与图之外的图例同时使用。
+注意，matplotlib API 并未正式支持`margin_titles`，此选项在一些情况下可能无法正常工作。特别是，它目前不能与图之外的图例同时使用。
 
 通过提供每个面的高度以及纵横比来设置图形的大小：
 ```py
@@ -86,7 +86,7 @@ g.map(sns.barplot, "sex", "total_bill");
 
 ![http://seaborn.pydata.org/_images/axis_grids_15_1.png](img/05a2ee4e2b81712775628943c2135066.jpg)
 
-小图的默认排序由DataFrame中的信息确定的。如果用于定义小图的变量是类别变量，则使用类别的顺序。否则，小图将按照各类的出现顺序排列。但是，可以使用适当的`* _order`参数指定任意构面维度的顺序：
+小图的默认排序由 DataFrame 中的信息确定的。如果用于定义小图的变量是类别变量，则使用类别的顺序。否则，小图将按照各类的出现顺序排列。但是，可以使用适当的`* _order`参数指定任意构面维度的顺序：
 ```py
 ordered_days = tips.day.value_counts().index
 g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
@@ -97,7 +97,7 @@ g.map(sns.distplot, "total_bill", hist=False, rug=True);
 
 ![http://seaborn.pydata.org/_images/axis_grids_17_0.png](img/0140b6849cae4a202c9a56ad5edfffd6.jpg)
 
-可以用seaborn调色板（即可以传递给[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")的东西。）还可以用字典将`hue`变量中的值映射到matplotlib颜色：
+可以用 seaborn 调色板（即可以传递给[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")的东西。）还可以用字典将`hue`变量中的值映射到 matplotlib 颜色：
 ```py
 pal = dict(Lunch="seagreen", Dinner="gray")
 g = sns.FacetGrid(tips, hue="time", palette=pal, height=5)
@@ -108,7 +108,7 @@ g.add_legend();
 
 ![http://seaborn.pydata.org/_images/axis_grids_19_0.png](img/686b61f7ba884a08ccd40cd9aae45791.jpg)
 
-还可以让图的其他方面（如点的形状）在色调变量的各个级别之间变化，这在以黑白方式打印时使图易于理解。为此，只需将一个字典传递给hue_kws，其中键是绘图函数关键字参数的名称，值是关键字值列表，每个级别为一个色调变量。
+还可以让图的其他方面（如点的形状）在色调变量的各个级别之间变化，这在以黑白方式打印时使图易于理解。为此，只需将一个字典传递给 hue_kws，其中键是绘图函数关键字参数的名称，值是关键字值列表，每个级别为一个色调变量。
 ```py
 g = sns.FacetGrid(tips, hue="sex", palette="Set1", height=5, hue_kws={"marker": ["^", "v"]})
 g.map(plt.scatter, "total_bill", "tip", s=100, linewidth=.5, edgecolor="white")
@@ -118,7 +118,7 @@ g.add_legend();
 
 ![http://seaborn.pydata.org/_images/axis_grids_21_0.png](img/a99d865fc52a457633d59e779fb194f1.jpg)
 
-如果一个变量的水平数过多，除了可以沿着列绘制之外，也可以“包装”它们以便它们跨越多行。执行此wrap操作时，不能使用`row`变量。
+如果一个变量的水平数过多，除了可以沿着列绘制之外，也可以“包装”它们以便它们跨越多行。执行此 wrap 操作时，不能使用`row`变量。
 ```py
 attend = sns.load_dataset("attention").query("subject <= 12")
 g = sns.FacetGrid(attend, col="subject", col_wrap=4, height=2, ylim=(0, 10))
@@ -147,7 +147,7 @@ g.fig.subplots_adjust(wspace=.02, hspace=.02);
 
 ![http://seaborn.pydata.org/_images/axis_grids_25_0.png](img/9127880f623ed92358326c68893d22b4.jpg)
 
-对于需要更多自定义的情形，你可以直接使用底层matplotlib图形`Figure`和轴`Axes`对象，它们分别作为成员属性存储在`Figure`和轴`Axes`（一个二维数组）中。在制作没有行或列刻面的图形时，你还可以使用`ax`属性直接访问单个轴。
+对于需要更多自定义的情形，你可以直接使用底层 matplotlib 图形`Figure`和轴`Axes`对象，它们分别作为成员属性存储在`Figure`和轴`Axes`（一个二维数组）中。在制作没有行或列刻面的图形时，你还可以使用`ax`属性直接访问单个轴。
 
 ```py
 g = sns.FacetGrid(tips, col="smoker", margin_titles=True, height=4)
@@ -162,9 +162,9 @@ g.set(xlim=(0, 60), ylim=(0, 14));
 
 ## 使用自定义函数
 
-使用[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")时，你除了可以使用现有的matplotlib和seaborn函数，还可以使用自定义函数。但是，这些函数必须遵循一些规则：
+使用[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")时，你除了可以使用现有的 matplotlib 和 seaborn 函数，还可以使用自定义函数。但是，这些函数必须遵循一些规则：
 
-1. 它必须绘制到“当前活动的”matplotlib轴`Axes`上。 `matplotlib.pyplot`命名空间中的函数就是如此。如果要直接使用当前轴的方法，可以调用`plt.gca`来获取对当前`Axes`的引用。
+1. 它必须绘制到“当前活动的”matplotlib 轴`Axes`上。 `matplotlib.pyplot`命名空间中的函数就是如此。如果要直接使用当前轴的方法，可以调用`plt.gca`来获取对当前`Axes`的引用。
 2. 它必须接受它在位置参数中绘制的数据。在内部，[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")将为传递给[`FacetGrid.map()`](../generated/seaborn.FacetGrid.map.html#seaborn.FacetGrid.map "seaborn.FacetGrid.map")的每个命名位置参数传递一`Series`数据。
 3. 它必须能接受`color`和`label`关键字参数，理想情况下，它会用它们做一些有用的事情。在大多数情况下，最简单的方法是捕获`** kwargs`的通用字典并将其传递给底层绘图函数。
 
@@ -182,7 +182,7 @@ g.map(quantile_plot, "total_bill");
 
 ![http://seaborn.pydata.org/_images/axis_grids_29_0.png](img/f7075e926868bca0186de8da2f906ed9.jpg)
 
-如果你想要制作一个双变量图，编写函数则应该有分别接受x轴变量，y轴变量的参数：
+如果你想要制作一个双变量图，编写函数则应该有分别接受 x 轴变量，y 轴变量的参数：
 ```py
 def qqplot(x, y, **kwargs):
     _, xr = stats.probplot(x, fit=False)
@@ -217,7 +217,7 @@ g.add_legend();
 
 ![http://seaborn.pydata.org/_images/axis_grids_35_0.png](img/894a1105419e7147b562c1576471c410.jpg)
 
-有时候，你需要使用`color`和`label`关键字参数映射不能按预期方式工作的函数。在这种情况下，你需要显式捕获它们并在自定义函数的逻辑中处理它们。例如，这种方法可用于映射`plt.hexbin`，使它与[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") API匹配：
+有时候，你需要使用`color`和`label`关键字参数映射不能按预期方式工作的函数。在这种情况下，你需要显式捕获它们并在自定义函数的逻辑中处理它们。例如，这种方法可用于映射`plt.hexbin`，使它与[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") API 匹配：
 ```py
 def hexbin(x, y, color, **kwargs):
     cmap = sns.light_palette(color, as_cmap=True)
@@ -258,7 +258,7 @@ g.map_offdiag(plt.scatter);
 
 ![http://seaborn.pydata.org/_images/axis_grids_41_0.png](img/e6b76ab1dc666e53ba77d9784aa8d168.jpg)
 
-此图的一种常见用法是通过单独的分类变量对观察结果进行着色。例如，iris数据集三种不同种类的鸢尾花都有四种测量值，因此你可以看到不同花在这些取值上的差异。
+此图的一种常见用法是通过单独的分类变量对观察结果进行着色。例如，iris 数据集三种不同种类的鸢尾花都有四种测量值，因此你可以看到不同花在这些取值上的差异。
 ```py
 g = sns.PairGrid(iris, hue="species")
 g.map_diag(plt.hist)
@@ -309,7 +309,7 @@ g.add_legend();
 
 ![http://seaborn.pydata.org/_images/axis_grids_51_0.png](img/472e90723a05c450ec78ccf39888e6e4.jpg)
 
-[`PairGrid`](../generated/seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")很灵活，但要快速查看数据集，使用[`pairplot()`](../generated/seaborn.pairplot.html#seaborn.pairplot "seaborn.pairplot")更容易。此函数默认使用散点图和直方图，但会添加一些其他类型（目前，你还可以绘制非对角线上的回归图和对角线上的KDE）。
+[`PairGrid`](../generated/seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")很灵活，但要快速查看数据集，使用[`pairplot()`](../generated/seaborn.pairplot.html#seaborn.pairplot "seaborn.pairplot")更容易。此函数默认使用散点图和直方图，但会添加一些其他类型（目前，你还可以绘制非对角线上的回归图和对角线上的 KDE）。
 ```py
 sns.pairplot(iris, hue="species", height=2.5);
 
diff --git a/docs/70.md b/docs/70.md
index 6c2ac16f374099b4442f8af856e06f1d866926c1..70ffa85c14b475533689cfd1b7cdce4a406e1bee 100644
--- a/docs/70.md
+++ b/docs/70.md
@@ -10,11 +10,11 @@ seaborn.load_dataset(name, cache=True, data_home=None, **kws)
 
 参数：`name`：字符串
 
-> 数据集的名字 (&lt;cite&gt;name&lt;/cite&gt;.csv on [https://github.com/mwaskom/seaborn-data](https://github.com/mwaskom/seaborn-data))。 您可以通过 `get_dataset_names()` 获取可用的数据集。
+> 数据集的名字 (`name`.csv on [https://github.com/mwaskom/seaborn-data](https://github.com/mwaskom/seaborn-data))。 您可以通过 `get_dataset_names()` 获取可用的数据集。
 
 `cache`：boolean, 可选
 
-> 如果为True，则在本地缓存数据并在后续调用中使用缓存。
+> 如果为 True，则在本地缓存数据并在后续调用中使用缓存。
 
 `data_home`：string, 可选
 
diff --git a/docs/71.md b/docs/71.md
index c21ca36ee9c3932990666bf91dd53bf15a2aafe3..e892cac8c68fb61eaeade34544ffb5452f447e7e 100644
--- a/docs/71.md
+++ b/docs/71.md
@@ -36,7 +36,7 @@ offset : int or dict, 可选
 trim : bool, 可选
 ```
 
-如果为True，则将脊柱限制为每个非去除脊柱的轴上的最小和最大主刻度。
+如果为 True，则将脊柱限制为每个非去除脊柱的轴上的最小和最大主刻度。
 
 返回值：None |
 | --- | --- |
diff --git a/docs/72.md b/docs/72.md
index 0a5086a6d4dbecff9c20be9296f389112ad7a387..2b544175721d36b82c818cca71d7dfc1e7489715 100644
--- a/docs/72.md
+++ b/docs/72.md
@@ -10,7 +10,7 @@ seaborn.desaturate(color, prop)
 
 参数：`color`：matplotlib 颜色
 
-> 十六进制，rgb 元组或者html颜色名字
+> 十六进制，rgb 元组或者 html 颜色名字
 
 `prop`：float
 
@@ -18,5 +18,5 @@ seaborn.desaturate(color, prop)
 
 返回值：`new_color`：rgb 元组
 
-> RGB元组表示去饱和的颜色代码
+> RGB 元组表示去饱和的颜色代码
 
diff --git a/docs/73.md b/docs/73.md
index e1a8f989546d9a7e8c333c4a89eff008121b7fa1..3bec793d0ee7b0deb93c09b91b47e8ba6273bdaa 100644
--- a/docs/73.md
+++ b/docs/73.md
@@ -10,10 +10,10 @@ seaborn.saturate(color)
 
 参数：`color`：matplotlib 颜色
 
-> 十六进制，rgb 元组或者html颜色名字
+> 十六进制，rgb 元组或者 html 颜色名字
 
 
 返回值：`new_color`：rgb 元组
 
-> RGB元组表示的饱和颜色代码
+> RGB 元组表示的饱和颜色代码
 
diff --git a/docs/74.md b/docs/74.md
index ab5748899ac51281e45a8c7e28bcef263fadd527..bb860abcb3da27f79812ae31b668a2d15e4616e0 100644
--- a/docs/74.md
+++ b/docs/74.md
@@ -10,7 +10,7 @@ seaborn.set_hls_values(color, h=None, l=None, s=None)
 
 参数：`color`：matplotlib 颜色
 
-> 十六进制，rgb 元组或者html颜色名字
+> 十六进制，rgb 元组或者 html 颜色名字
 
 `h, l, s`：0 到 1 之间的浮点数，或者为 None
 
@@ -19,5 +19,5 @@ seaborn.set_hls_values(color, h=None, l=None, s=None)
 
 返回值：`new_color`：rgb 元组
 
-> RGB元组表示中的新颜色代码
+> RGB 元组表示中的新颜色代码
 
diff --git a/docs/8.md b/docs/8.md
index 16d62019bda3e2a7dcbc8c3ce36dc32656f1beb0..cbb00bc3c58cf98d345b1f26fc6544cb5f017524 100644
--- a/docs/8.md
+++ b/docs/8.md
@@ -4,7 +4,7 @@
 
 绘制有吸引力的图像很十分重要的。当你在探索一个数据集并为你自己做图的时候，制作一些让人看了心情愉悦的图像是很好的。可视化对向观众传达量化的简介也是很重要的，在这种情况下制作能够抓住查看者的注意力并牢牢吸引住他们的图像就更有必要了。
 
-Matplotlib是高度可定制的，但是很难知道要如何设置图像才能使得图像更加吸引人。Seaborn提供了许多定制好的主题和高级的接口，用于控制Matplotlib所做图像的外观。
+Matplotlib 是高度可定制的，但是很难知道要如何设置图像才能使得图像更加吸引人。Seaborn 提供了许多定制好的主题和高级的接口，用于控制 Matplotlib 所做图像的外观。
 
 ```py
 import numpy as np
@@ -23,7 +23,7 @@ def sinplot(flip=1):
 
 ```
 
-这是Matplotlib默认情况下的绘图外观：
+这是 Matplotlib 默认情况下的绘图外观：
 
 ```py
 sinplot()
@@ -32,7 +32,7 @@ sinplot()
 
 ![http://seaborn.pydata.org/_images/aesthetics_7_0.png](img/4784d932a8738cea5085be56ce6f7315.jpg)
 
-为了将图像的风格转变为seaborn的默认样式，我们可以 [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 函数。
+为了将图像的风格转变为 seaborn 的默认样式，我们可以 [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 函数。
 
 ```py
 sns.set()
@@ -42,15 +42,15 @@ sinplot()
 
 ![http://seaborn.pydata.org/_images/aesthetics_9_0.png](img/2422a0c0d2c96ec6397babaa6c842d79.jpg)
 
-（注意，在0.8之前的seaborn版本中， [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 已经在使用impory语句导入的时候就被调用了。但在以后的版本中，必须要显式调用它）。
+（注意，在 0.8 之前的 seaborn 版本中， [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 已经在使用 impory 语句导入的时候就被调用了。但在以后的版本中，必须要显式调用它）。
 
-Seaborn将matplotlib参数分成两个独立的组。第一组设置了图像的美术风格，第二组则对图像中不同的元素进行了控制，使得图像可以很容易地融入不同的环境中。
+Seaborn 将 matplotlib 参数分成两个独立的组。第一组设置了图像的美术风格，第二组则对图像中不同的元素进行了控制，使得图像可以很容易地融入不同的环境中。
 
-操作这些参数的接口是两对函数。要控制样式，请使用 [`axes_style()`](../generated/seaborn.axes_style.html#seaborn.axes_style "seaborn.axes_style") 和 [`set_style()`](../generated/seaborn.set_style.html#seaborn.set_style "seaborn.set_style") 函数。要对图像中元素的样式进行修改，请使用 [`plotting_context()`](../generated/seaborn.plotting_context.html#seaborn.plotting_context "seaborn.plotting_context") 和 [`set_context()`](../generated/seaborn.set_context.html#seaborn.set_context "seaborn.set_context") 函数。在这两种情况下（控制图像样式与修改元素样式），第一个函数会返回一个参数字典，第二个函数设置matplotlib中相关参数的默认值。
+操作这些参数的接口是两对函数。要控制样式，请使用 [`axes_style()`](../generated/seaborn.axes_style.html#seaborn.axes_style "seaborn.axes_style") 和 [`set_style()`](../generated/seaborn.set_style.html#seaborn.set_style "seaborn.set_style") 函数。要对图像中元素的样式进行修改，请使用 [`plotting_context()`](../generated/seaborn.plotting_context.html#seaborn.plotting_context "seaborn.plotting_context") 和 [`set_context()`](../generated/seaborn.set_context.html#seaborn.set_context "seaborn.set_context") 函数。在这两种情况下（控制图像样式与修改元素样式），第一个函数会返回一个参数字典，第二个函数设置 matplotlib 中相关参数的默认值。
 
-## Seaborn图像参数
+## Seaborn 图像参数
 
-有五个预设的Seaborn主题： `darkgrid`，`whitegrid`，`dark`，`white`以及 `ticks`。它们分别适用于不同的应用程序和个人偏好。默认主题为 `darkgrid`。如上所述，坐标方格有助于将制出的图像用作定量信息的查阅表，灰色背景上的白色有助于防止网格与表示数据的行发生竞争。 `whitegrid` 主题类似，但它更适用于包含大量数据元素的绘图：
+有五个预设的 Seaborn 主题： `darkgrid`，`whitegrid`，`dark`，`white`以及 `ticks`。它们分别适用于不同的应用程序和个人偏好。默认主题为 `darkgrid`。如上所述，坐标方格有助于将制出的图像用作定量信息的查阅表，灰色背景上的白色有助于防止网格与表示数据的行发生竞争。 `whitegrid` 主题类似，但它更适用于包含大量数据元素的绘图：
 
 ```py
 sns.set_style("whitegrid")
@@ -79,7 +79,7 @@ sinplot()
 
 ![http://seaborn.pydata.org/_images/aesthetics_14_0.png](img/47decb21ce3a9413876a02f2967ef7aa.jpg)
 
-有时，您可能希望为绘图提供一点额外的结构，这正是tick样式的用武之地：
+有时，您可能希望为绘图提供一点额外的结构，这正是 tick 样式的用武之地：
 
 ```py
 sns.set_style("ticks")
@@ -91,7 +91,7 @@ sinplot()
 
 ## 移除坐标轴
 
- `white` 样式与 `ticks` 样式的好处是都能删除所不需要的顶部与右部坐标轴。使用seaborn中的函数 [`despine()`](../generated/seaborn.despine.html#seaborn.despine "seaborn.despine") 可以来移除它们：
+ `white` 样式与 `ticks` 样式的好处是都能删除所不需要的顶部与右部坐标轴。使用 seaborn 中的函数 [`despine()`](../generated/seaborn.despine.html#seaborn.despine "seaborn.despine") 可以来移除它们：
 
 ```py
 sinplot()
@@ -139,9 +139,9 @@ sinplot(-1)
 
 ![http://seaborn.pydata.org/_images/aesthetics_24_0.png](img/1b8ec9b9fb72e9193bfefe933d976d37.jpg)
 
-## 覆盖控制seaborn样式的元素
+## 覆盖控制 seaborn 样式的元素
 
-如果你想要自己定制seaborn的样式，你可以通过给 [`axes_style()`](../generated/seaborn.axes_style.html#seaborn.axes_style "seaborn.axes_style") 与[`set_style()`](../generated/seaborn.set_style.html#seaborn.set_style "seaborn.set_style")函数中的 `rc` 参数传递一个参数字典来实现。请注意，您只能通过此方法覆盖作为样式定义一部分的参数。（但是，更高级别的 [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 函数会获取任何matplotlib参数的字典）。
+如果你想要自己定制 seaborn 的样式，你可以通过给 [`axes_style()`](../generated/seaborn.axes_style.html#seaborn.axes_style "seaborn.axes_style") 与[`set_style()`](../generated/seaborn.set_style.html#seaborn.set_style "seaborn.set_style")函数中的 `rc` 参数传递一个参数字典来实现。请注意，您只能通过此方法覆盖作为样式定义一部分的参数。（但是，更高级别的 [`set()`](../generated/seaborn.set.html#seaborn.set "seaborn.set") 函数会获取任何 matplotlib 参数的字典）。
 
 如果你想看看包含哪些参数，你可以只调用没有参数的函数，这将返回当前设置：
 
diff --git a/docs/9.md b/docs/9.md
index 9f01ba221716ba45d3db5605e6664755216cfba5..faec2640d4229c51467e800b356fd027924680d2 100644
--- a/docs/9.md
+++ b/docs/9.md
@@ -2,9 +2,9 @@
 
 > 译者：[Modrisco](https://github.com/Modrisco)
 
-颜色在图像风格中比起其他元素显得更为重要。当合理有效地使用颜色时，数据模式会被凸显出来；反之，则会被掩盖。这里有很多数据可视化中关于颜色使用的优秀资源，我推荐阅读这些 Rob Simmon 的[博客文章](https://earthobservatory.nasa.gov/blogs/elegantfigures/2013/08/05/subtleties-of-color-part-1-of-6/)以及这篇更加学术性的[论文](https://cfwebprod.sandia.gov/cfdocs/CompResearch/docs/ColorMapsExpanded.pdf)。 此外，matplotlib 文档也提供了一篇很好的[教程](https://matplotlib.org/users/colormaps.html)来说明一些内置Colormap的感知属性。
+颜色在图像风格中比起其他元素显得更为重要。当合理有效地使用颜色时，数据模式会被凸显出来；反之，则会被掩盖。这里有很多数据可视化中关于颜色使用的优秀资源，我推荐阅读这些 Rob Simmon 的[博客文章](https://earthobservatory.nasa.gov/blogs/elegantfigures/2013/08/05/subtleties-of-color-part-1-of-6/)以及这篇更加学术性的[论文](https://cfwebprod.sandia.gov/cfdocs/CompResearch/docs/ColorMapsExpanded.pdf)。 此外，matplotlib 文档也提供了一篇很好的[教程](https://matplotlib.org/users/colormaps.html)来说明一些内置 Colormap 的感知属性。
 
-seaborn让您在选择与您处理的数据类型和可视化过程中搭配的配色方案变得简单。
+seaborn 让您在选择与您处理的数据类型和可视化过程中搭配的配色方案变得简单。
 
 ```py
 import numpy as np
@@ -16,21 +16,21 @@ sns.set()
 
 ## 创建调色板
 
-使用离散调色板过程中最重要函数是[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")。这个函数为许多(但不是全部)可以在seaborn中生成颜色的方式提供了一个接口，并且在任何具有`palette`参数的函数的内部都可以使用(以及某些需要多种颜色时具有`color`参数的情况)。
+使用离散调色板过程中最重要函数是[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")。这个函数为许多(但不是全部)可以在 seaborn 中生成颜色的方式提供了一个接口，并且在任何具有`palette`参数的函数的内部都可以使用(以及某些需要多种颜色时具有`color`参数的情况)。
 
-[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 会接受所有的seaborn调色板或者matplotlib Colormap (除了 `jet`, 您永远都不应该使用它). 它还可以获取以任何有效matplotlib格式(RGB元组、十六进制颜色代码或HTML颜色名字)指定的颜色列表。返回值始终是RGB元组的列表。
+[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 会接受所有的 seaborn 调色板或者 matplotlib Colormap (除了 `jet`, 您永远都不应该使用它). 它还可以获取以任何有效 matplotlib 格式(RGB 元组、十六进制颜色代码或 HTML 颜色名字)指定的颜色列表。返回值始终是 RGB 元组的列表。
 
 最后，在没有参数的情况下调用[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数将会返回当前默认的颜色循环。
 
 函数[`set_palette()`](../generated/seaborn.set_palette.html#seaborn.set_palette "seaborn.set_palette")接受相同的参数，并将为所有图像设置默认的颜色循环。您也可以在`with`语句中调用[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")来临时改变调色板。([参见](#palette-contexts))
 
-在不了解数据特征的情况下，通常也不可能知道哪种调色板或Colormap最适合一组数据。接下来，我们将通过三种常见的调色板 _定性调色板_, _顺序调色板_, 和 _发散调色板_ 来拆分介绍[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数的使用方法以及其他seaborn函数。
+在不了解数据特征的情况下，通常也不可能知道哪种调色板或 Colormap 最适合一组数据。接下来，我们将通过三种常见的调色板 _ 定性调色板 _, _ 顺序调色板 _, 和 _ 发散调色板 _ 来拆分介绍[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数的使用方法以及其他 seaborn 函数。
 
 ## 定性调色板
 
 当您想要区分不具有内在顺序的离散数据块时，定性(分类)调色板是最佳方案。
 
-导入seaborn的同时，会引入默认的颜色循环，由6种颜色构成。并将调用标准matplotlib颜色循环，看起来也更加赏心悦目。
+导入 seaborn 的同时，会引入默认的颜色循环，由 6 种颜色构成。并将调用标准 matplotlib 颜色循环，看起来也更加赏心悦目。
 
 ```py
 current_palette = sns.color_palette()
@@ -46,9 +46,9 @@ sns.palplot(current_palette)
 
 ### 使用循环颜色系统
 
-当您要区分任意数量的类别而不强调任何类别时，最简单的方法是在循环颜色空间中绘制间距相等的颜色(在此颜色空间中，色调会发生变化，同时保持亮度和饱和度不变)。这是大多数seaborn函数在处理当需要区分的数据集超过颜色循环中的6种颜色时时所使用的默认方法。
+当您要区分任意数量的类别而不强调任何类别时，最简单的方法是在循环颜色空间中绘制间距相等的颜色(在此颜色空间中，色调会发生变化，同时保持亮度和饱和度不变)。这是大多数 seaborn 函数在处理当需要区分的数据集超过颜色循环中的 6 种颜色时时所使用的默认方法。
 
-最为常用的方法是使用`hls`颜色空间——一种简单的RGB值变体。
+最为常用的方法是使用`hls`颜色空间——一种简单的 RGB 值变体。
 
 ```py
 sns.palplot(sns.color_palette("hls", 8))
@@ -66,9 +66,9 @@ sns.palplot(sns.hls_palette(8, l=.3, s=.8))
 
 ![http://seaborn.pydata.org/_images/color_palettes_12_0.png](img/7787cf3ad144a10c16ce1f2697d4af34.jpg)
 
-然而，由于人类视觉系统的工作方式，RGB强度很高的颜色也不一定看起来同样强烈。[我们认为](https://en.wikipedia.org/wiki/Color_vision)黄色和绿色是相对较亮的，蓝色是相对较暗的，当目标是与`hls`系统保持一致性时可能会带来一些问题。
+然而，由于人类视觉系统的工作方式，RGB 强度很高的颜色也不一定看起来同样强烈。[我们认为](https://en.wikipedia.org/wiki/Color_vision)黄色和绿色是相对较亮的，蓝色是相对较暗的，当目标是与`hls`系统保持一致性时可能会带来一些问题。
 
-为了解决这一问题，seaborn提供了一个[husl](http://www.hsluv.org/)系统(后来更名为HSLuv)的接口，这也使选择间隔均匀的色调变得容易，同时使亮度和饱和度都更加均匀。
+为了解决这一问题，seaborn 提供了一个[husl](http://www.hsluv.org/)系统(后来更名为 HSLuv)的接口，这也使选择间隔均匀的色调变得容易，同时使亮度和饱和度都更加均匀。
 
 ```py
 sns.palplot(sns.color_palette("husl", 8))
@@ -79,11 +79,11 @@ sns.palplot(sns.color_palette("husl", 8))
 
 类似地，[`husl_palette()`](../generated/seaborn.husl_palette.html#seaborn.husl_palette "seaborn.husl_palette")函数也为这个系统提供了一个更灵活的接口。
 
-### 使用Color Brewer调色板
+### 使用 Color Brewer 调色板
 
-[Color Brewer](http://colorbrewer2.org/)为定性调色板提供了另一种美观的配色方案(同样包含顺序调色板包括和发散调色板，详情见下文)。这些也作为matplotlib Colormap存在，但并没有得到很好的处理。在seaborn中，当您需要定性(qualitative)的Color Brewer方案时，你总是会得到离散的颜色，但这意味着在某些情况下颜色会循环重复。
+[Color Brewer](http://colorbrewer2.org/)为定性调色板提供了另一种美观的配色方案(同样包含顺序调色板包括和发散调色板，详情见下文)。这些也作为 matplotlib Colormap 存在，但并没有得到很好的处理。在 seaborn 中，当您需要定性(qualitative)的 Color Brewer 方案时，你总是会得到离散的颜色，但这意味着在某些情况下颜色会循环重复。
 
-Color Brewer的一个很好的特点是它对色盲比较友好。[色盲](https：/en.wikipea.org/wiki/Color_Blinity)有很多种，最为常见的是红绿色盲。通常，对于需要根据颜色进行元素区分时，应该尽量避免使用这两种颜色。
+Color Brewer 的一个很好的特点是它对色盲比较友好。[色盲](https：/en.wikipea.org/wiki/Color_Blinity)有很多种，最为常见的是红绿色盲。通常，对于需要根据颜色进行元素区分时，应该尽量避免使用这两种颜色。
 
 ```py
 sns.palplot(sns.color_palette("Paired"))
@@ -99,7 +99,7 @@ sns.palplot(sns.color_palette("Set2"))
 
 ![http://seaborn.pydata.org/_images/color_palettes_17_0.png](img/8d928f7a998a90772bc3defd036444a8.jpg)
 
-为了帮助您从Color Brewer库中选取配色方案，seaborn提供了[`choose_colorbrewer_palette()`](../generated/seaborn.choose_colorbrewer_palette.html#seaborn.choose_colorbrewer_palette "seaborn.choose_colorbrewer_palette")函数。这个函数能够启动交互式组件来帮助您浏览各种选项，修改不同的参数。但是只能在Jupyter notebook中使用。
+为了帮助您从 Color Brewer 库中选取配色方案，seaborn 提供了[`choose_colorbrewer_palette()`](../generated/seaborn.choose_colorbrewer_palette.html#seaborn.choose_colorbrewer_palette "seaborn.choose_colorbrewer_palette")函数。这个函数能够启动交互式组件来帮助您浏览各种选项，修改不同的参数。但是只能在 Jupyter notebook 中使用。
 
 当然，您可能只希望手动指定一组您喜欢的颜色。[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数会接受一个颜色列表，操作起来也很简单。
 
@@ -111,9 +111,9 @@ sns.palplot(sns.color_palette(flatui))
 
 ![http://seaborn.pydata.org/_images/color_palettes_19_0.png](img/e1506db895aa2aaa0d7df99cc7d3d4c3.jpg)
 
-### 使用来自xkcd color survey的颜色名字
+### 使用来自 xkcd color survey 的颜色名字
 
-不久前，[xkcd](https://xkcd.com/)开展了一项[众包工作](https://blog.xkcd.com/2010/05/03/color-survey-results/)来为随机RGB颜色命名。产生了[954个颜色名字](https://xkcd.com/color/rgb/)，您现在可以在seaborn中使用`xkcd_rgb`字典来引用它们：
+不久前，[xkcd](https://xkcd.com/)开展了一项[众包工作](https://blog.xkcd.com/2010/05/03/color-survey-results/)来为随机 RGB 颜色命名。产生了[954 个颜色名字](https://xkcd.com/color/rgb/)，您现在可以在 seaborn 中使用`xkcd_rgb`字典来引用它们：
 
 ```py
 plt.plot([0, 1], [0, 1], sns.xkcd_rgb["pale red"], lw=3)
@@ -136,13 +136,13 @@ sns.palplot(sns.xkcd_palette(colors))
 
 ## 顺序调色板
 
-第二类主要的调色板被称为“顺序调色板”(sequential)，当数据集的范围从相对低值(不感兴趣)到相对高值(很感兴趣)时，最好使用顺序调色板，尽管在某些情况下您可能需要顺序调色板中的离散颜色。在[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")和[`heatmap()`](../generated/seaborn.heatmap.html#seaborn.heatmap "seaborn.heatmap")函数中使用它们来作为Colormap则更为常见(以及类似的matplotlib函数)。
+第二类主要的调色板被称为“顺序调色板”(sequential)，当数据集的范围从相对低值(不感兴趣)到相对高值(很感兴趣)时，最好使用顺序调色板，尽管在某些情况下您可能需要顺序调色板中的离散颜色。在[`kdeplot()`](../generated/seaborn.kdeplot.html#seaborn.kdeplot "seaborn.kdeplot")和[`heatmap()`](../generated/seaborn.heatmap.html#seaborn.heatmap "seaborn.heatmap")函数中使用它们来作为 Colormap 则更为常见(以及类似的 matplotlib 函数)。
 
-在这种情况下使用`jet`（或其他彩虹调色板）等Colormap是很常见的，因为色调范围给人的印象是提供有关数据的额外信息。然而，具有较大色调变化的Colormap往往会引入数据中不存在的不连续性，并且我们的视觉系统无法自然地将彩虹光谱映射到诸如“高”或“低”的定量区分。导致来这些可视化的结果更加令人困惑，因为它们掩盖了数据中的模式，而不是揭示它们。`jet` 调色板使用了最亮的颜色(黄色和青色)的中间数据值，导致效果是强调无趣的(和任意的)值，而不是强调极端的值。
+在这种情况下使用`jet`（或其他彩虹调色板）等 Colormap 是很常见的，因为色调范围给人的印象是提供有关数据的额外信息。然而，具有较大色调变化的 Colormap 往往会引入数据中不存在的不连续性，并且我们的视觉系统无法自然地将彩虹光谱映射到诸如“高”或“低”的定量区分。导致来这些可视化的结果更加令人困惑，因为它们掩盖了数据中的模式，而不是揭示它们。`jet` 调色板使用了最亮的颜色(黄色和青色)的中间数据值，导致效果是强调无趣的(和任意的)值，而不是强调极端的值。
 
 对于连续性的数据，最好使用色调变化幅度较小，而亮度和饱和度变化幅度较大的配色方案。这种方法会很自然地吸引人们注意数据中相对重要的部分。
 
-Color Brewer库有大量这样的配色方案，它们以调色板中主要的一种或多种颜色命名。
+Color Brewer 库有大量这样的配色方案，它们以调色板中主要的一种或多种颜色命名。
 
 ```py
 sns.palplot(sns.color_palette("Blues"))
@@ -151,7 +151,7 @@ sns.palplot(sns.color_palette("Blues"))
 
 ![http://seaborn.pydata.org/_images/color_palettes_25_0.png](img/b6ac2dda5753920442b42aa6c3f8746c.jpg)
 
-与matplotlib类似，您可以通过添加加后缀`_r`来倒置顺序调色板的顺序。
+与 matplotlib 类似，您可以通过添加加后缀`_r`来倒置顺序调色板的顺序。
 
 ```py
 sns.palplot(sns.color_palette("BuGn_r"))
@@ -160,7 +160,7 @@ sns.palplot(sns.color_palette("BuGn_r"))
 
 ![http://seaborn.pydata.org/_images/color_palettes_27_0.png](img/35ba6c0dab54401105c2b869de17084b.jpg)
 
-seaborn同样添加了一个小窍门来帮助您创建“深色”调色板，它没有一个很宽的动态范围。在当您需要按顺序映射直线或点时这可能会很有用，因为颜色较亮的线条会比较难以区分。
+seaborn 同样添加了一个小窍门来帮助您创建“深色”调色板，它没有一个很宽的动态范围。在当您需要按顺序映射直线或点时这可能会很有用，因为颜色较亮的线条会比较难以区分。
 
 ```py
 sns.palplot(sns.color_palette("GnBu_d"))
@@ -169,13 +169,13 @@ sns.palplot(sns.color_palette("GnBu_d"))
 
 ![http://seaborn.pydata.org/_images/color_palettes_29_0.png](img/12d91b101a0391d48ce055f66e4a910a.jpg)
 
-您可能想要使用[`choose_colorbrewer_palette()`](../generated/seaborn.choose_colorbrewer_palette.html#seaborn.choose_colorbrewer_palette "seaborn.choose_colorbrewer_palette")函数来尝试多种选项，当您希望传递给seaborn或者matplotlib的返回值为Colormap对象时，您可以将`as_cmap`对象设置为`True`。
+您可能想要使用[`choose_colorbrewer_palette()`](../generated/seaborn.choose_colorbrewer_palette.html#seaborn.choose_colorbrewer_palette "seaborn.choose_colorbrewer_palette")函数来尝试多种选项，当您希望传递给 seaborn 或者 matplotlib 的返回值为 Colormap 对象时，您可以将`as_cmap`对象设置为`True`。
 
 ### 顺序 “cubehelix” 调色板
 
-[cubehelix](https://www.mrao.cam.ac.uk/~dag/CUBEHELIX/)调色板系统使顺序调色板的亮度产生线性变化，色调也会产生一些变化。这意味着您的Colormap在转换为黑白模式时(用于打印)的信息将得到保留，且对色盲友好。
+[cubehelix](https://www.mrao.cam.ac.uk/~dag/CUBEHELIX/)调色板系统使顺序调色板的亮度产生线性变化，色调也会产生一些变化。这意味着您的 Colormap 在转换为黑白模式时(用于打印)的信息将得到保留，且对色盲友好。
 
-Matplotlib内置了默认的cubehelix版本：
+Matplotlib 内置了默认的 cubehelix 版本：
 
 ```py
 sns.palplot(sns.color_palette("cubehelix", 8))
@@ -184,9 +184,9 @@ sns.palplot(sns.color_palette("cubehelix", 8))
 
 ![http://seaborn.pydata.org/_images/color_palettes_32_0.png](img/d07b38f860b0f58e365e7ea26da8be92.jpg)
 
-Seborn为cubehelix系统提供了一个接口，以便您可以制作各种调色板，这些调色板都具有良好的线性亮度渐变。
+Seborn 为 cubehelix 系统提供了一个接口，以便您可以制作各种调色板，这些调色板都具有良好的线性亮度渐变。
 
-由seborn [`cubehelix_palette()`](../generated/seaborn.cubehelix_palette.html#seaborn.cubehelix_palette "seaborn.cubehelix_palette") 函数返回的默认调色板与matplotlib的默认值稍有不同，因为它不会围绕色轮旋转很远，也不会覆盖很宽的强度范围。它还反转顺序，以便让更重要的值的颜色更暗：
+由 seborn [`cubehelix_palette()`](../generated/seaborn.cubehelix_palette.html#seaborn.cubehelix_palette "seaborn.cubehelix_palette") 函数返回的默认调色板与 matplotlib 的默认值稍有不同，因为它不会围绕色轮旋转很远，也不会覆盖很宽的强度范围。它还反转顺序，以便让更重要的值的颜色更暗：
 ```py
 sns.palplot(sns.cubehelix_palette(8))
 
@@ -194,7 +194,7 @@ sns.palplot(sns.cubehelix_palette(8))
 
 ![http://seaborn.pydata.org/_images/color_palettes_34_0.png](img/be20ca200667c3c8849b95c4a6aa846e.jpg)
 
-[`cubehelix_palette()`](../generated/seaborn.cubehelix_palette.html#seaborn.cubehelix_palette "seaborn.cubehelix_palette") 函数的其他参数控制调色板的外观。您将更改的两个主要参数为 `start` (介于0到3之间的值)和 `rot` —— 旋转次数(任意值，但可能在-1和1之间)。
+[`cubehelix_palette()`](../generated/seaborn.cubehelix_palette.html#seaborn.cubehelix_palette "seaborn.cubehelix_palette") 函数的其他参数控制调色板的外观。您将更改的两个主要参数为 `start` (介于 0 到 3 之间的值)和 `rot` —— 旋转次数(任意值，但可能在-1 和 1 之间)。
 
 ```py
 sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75))
@@ -212,7 +212,7 @@ sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=
 
 ![http://seaborn.pydata.org/_images/color_palettes_38_0.png](img/c4e8f173e5519de01ed11bca06911371.jpg)
 
-如同其他seaborn函数，您将默认得到一个颜色列表。但您也可以通过修改 `as_cmap=True` 将调色板作为Colormap对象的返回值来传递给seaborn或matplotlib函数。
+如同其他 seaborn 函数，您将默认得到一个颜色列表。但您也可以通过修改 `as_cmap=True` 将调色板作为 Colormap 对象的返回值来传递给 seaborn 或 matplotlib 函数。
 
 ```py
 x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T
@@ -223,7 +223,7 @@ sns.kdeplot(x, y, cmap=cmap, shade=True);
 
 ![http://seaborn.pydata.org/_images/color_palettes_40_0.png](img/2e48cfc09dde0559e31096f5a067ad3d.jpg)
 
-为了帮助您选择更好的调色板或者Colormap，您可以在Jupyter notebook中使用 [`choose_cubehelix_palette()`](../generated/seaborn.choose_cubehelix_palette.html#seaborn.choose_cubehelix_palette "seaborn.choose_cubehelix_palette") 函数来启动互动界面帮助您测试、修改不同的参数。如果您希望函数返回一个Colormap(而不是列表)，则在例如像 `hexbin` 这样的函数中设置 `as_Cmap=True`。
+为了帮助您选择更好的调色板或者 Colormap，您可以在 Jupyter notebook 中使用 [`choose_cubehelix_palette()`](../generated/seaborn.choose_cubehelix_palette.html#seaborn.choose_cubehelix_palette "seaborn.choose_cubehelix_palette") 函数来启动互动界面帮助您测试、修改不同的参数。如果您希望函数返回一个 Colormap(而不是列表)，则在例如像 `hexbin` 这样的函数中设置 `as_Cmap=True`。
 
 ### 自定义调色板
 
@@ -252,7 +252,7 @@ sns.palplot(sns.light_palette("navy", reverse=True))
 
 ![http://seaborn.pydata.org/_images/color_palettes_46_0.png](img/c32dd39f791f7d395dc47b37e1252b78.jpg)
 
-这些调色板同样可以被用来创建Colormap对象而不是颜色列表。
+这些调色板同样可以被用来创建 Colormap 对象而不是颜色列表。
 
 ```py
 pal = sns.dark_palette("palegreen", as_cmap=True)
@@ -262,7 +262,7 @@ sns.kdeplot(x, y, cmap=pal);
 
 ![http://seaborn.pydata.org/_images/color_palettes_48_0.png](img/16096f5a5796354b892ba4f6ff2dcef1.jpg)
 
-默认情况下，输入可以是任何有效的matplotlib颜色。替代解释由 `input` 参数控制。现在，您可以在 `hls` 或 `husl` 空间中提供元组以及默认的 `rgb`，您也可以使用任何有效的 `xkcd` 颜色来生成调色板。
+默认情况下，输入可以是任何有效的 matplotlib 颜色。替代解释由 `input` 参数控制。现在，您可以在 `hls` 或 `husl` 空间中提供元组以及默认的 `rgb`，您也可以使用任何有效的 `xkcd` 颜色来生成调色板。
 
 ```py
 sns.palplot(sns.light_palette((210, 90, 60), input="husl"))
@@ -282,13 +282,13 @@ sns.palplot(sns.dark_palette("muted purple", input="xkcd"))
 
 ## 发散调色板
 
-第三类调色板称为“发散调色板”(diverging)。当数据集的低值和高值都很重要，且数据集中有明确定义的中点时，这会是您的最佳选择。例如，绘制温度相对于基准时间点的变化图时，最好使用发散Colormap来同时显示温度相对于基准值的上升和下降
+第三类调色板称为“发散调色板”(diverging)。当数据集的低值和高值都很重要，且数据集中有明确定义的中点时，这会是您的最佳选择。例如，绘制温度相对于基准时间点的变化图时，最好使用发散 Colormap 来同时显示温度相对于基准值的上升和下降
 
 选择良好分散调色板的规则类似于良好的顺序调色板。不过在这种情况时需要注意两端颜色向中间颜色渐变时中间点的颜色不应该喧宾夺主，两端的颜色也应该具有相似的亮度和饱和度。
 
 这里还需要强调的是，应该避免使用红色和绿色，因为需要考虑到[红绿色盲](https://en.wikipedia.org/wiki/Color_blindness)患者的观感。
 
-不出所料，Color Brewer库也同样提供了一些精心挑选的发散调色板。
+不出所料，Color Brewer 库也同样提供了一些精心挑选的发散调色板。
 
 
 ```py
@@ -305,7 +305,7 @@ sns.palplot(sns.color_palette("RdBu_r", 7))
 
 ![http://seaborn.pydata.org/_images/color_palettes_55_0.png](img/a6f00f18e0a24fee984824847391d181.jpg)
 
-matplotlib库中内置的 `coolwarm` 调色板也是一个很好的选择。请注意，这个Colormap的中间值和极值之间的对比度较小。
+matplotlib 库中内置的 `coolwarm` 调色板也是一个很好的选择。请注意，这个 Colormap 的中间值和极值之间的对比度较小。
 
 ```py
 sns.palplot(sns.color_palette("coolwarm", 7))
@@ -316,7 +316,7 @@ sns.palplot(sns.color_palette("coolwarm", 7))
 
 ### 自定义发散调色板
 
-您可以使用seaborn的[`diverging_palette()`](../generated/seaborn.diverging_palette.html#seaborn.diverging_palette "seaborn.diverging_palette")函数来创建自定义colormap来描述发散数据(搭配有交互式组件[`choose_diverging_palette()`](../generated/seaborn.choose_diverging_palette.html#seaborn.choose_diverging_palette "seaborn.choose_diverging_palette"))。此函数使用 `husl` 颜色系统来创建发散调色板，您需要在函数中设置两个色调参数(用度表示)，也可以选择设置两端颜色的亮度和饱和度。 使用 `husl` 意味着两端到中间点的色调变化将是平衡的。
+您可以使用 seaborn 的[`diverging_palette()`](../generated/seaborn.diverging_palette.html#seaborn.diverging_palette "seaborn.diverging_palette")函数来创建自定义 colormap 来描述发散数据(搭配有交互式组件[`choose_diverging_palette()`](../generated/seaborn.choose_diverging_palette.html#seaborn.choose_diverging_palette "seaborn.choose_diverging_palette"))。此函数使用 `husl` 颜色系统来创建发散调色板，您需要在函数中设置两个色调参数(用度表示)，也可以选择设置两端颜色的亮度和饱和度。 使用 `husl` 意味着两端到中间点的色调变化将是平衡的。
 
 ```py
 sns.palplot(sns.diverging_palette(220, 20, n=7))
@@ -352,7 +352,7 @@ sns.palplot(sns.diverging_palette(255, 133, l=60, n=7, center="dark"))
 
 ## 设置默认调色板
 
-与[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数相伴随的有[`set_palette()`](../generated/seaborn.set_palette.html#seaborn.set_palette "seaborn.set_palette")。 两者之间的关系与[美学教程](aesthetics.html#aesthetics-tutorial)中介绍的[`set_palette()`](../generated/seaborn.set_palette.html#seaborn.set_palette "seaborn.set_palette")函数和[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数接受相同参数的关系相类似。但它会更改默认的matplotlib参数，以便调色板应用于所有图像。
+与[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数相伴随的有[`set_palette()`](../generated/seaborn.set_palette.html#seaborn.set_palette "seaborn.set_palette")。 两者之间的关系与[美学教程](aesthetics.html#aesthetics-tutorial)中介绍的[`set_palette()`](../generated/seaborn.set_palette.html#seaborn.set_palette "seaborn.set_palette")函数和[`color_palette()`](../generated/seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")函数接受相同参数的关系相类似。但它会更改默认的 matplotlib 参数，以便调色板应用于所有图像。
 
 ```py
 def sinplot(flip=1):
diff --git a/docs/img/0140b6849cae4a202c9a56ad5edfffd6.jpg b/docs/img/0140b6849cae4a202c9a56ad5edfffd6.jpg
index 9c6629b63d486a5b52fe26cc65589a076745b425..a592028ec48d35c7600bf34da84247da65301af4 100644
Binary files a/docs/img/0140b6849cae4a202c9a56ad5edfffd6.jpg and b/docs/img/0140b6849cae4a202c9a56ad5edfffd6.jpg differ
diff --git a/docs/img/02113b4a6b876c8e3b32dd2bb7eae74c.jpg b/docs/img/02113b4a6b876c8e3b32dd2bb7eae74c.jpg
index 34b595ea6e8f68455309d83ee04e6968a0482d41..5d59444eedcfce853dec6de0671290e705a02253 100644
Binary files a/docs/img/02113b4a6b876c8e3b32dd2bb7eae74c.jpg and b/docs/img/02113b4a6b876c8e3b32dd2bb7eae74c.jpg differ
diff --git a/docs/img/05782b02c2faaf09a504b53a5a526445.jpg b/docs/img/05782b02c2faaf09a504b53a5a526445.jpg
index 395e1fccfdea4ae6c8251295f8337befb07c6155..8af4706a7b8b26140cac40a773b877bd2a51f4ed 100644
Binary files a/docs/img/05782b02c2faaf09a504b53a5a526445.jpg and b/docs/img/05782b02c2faaf09a504b53a5a526445.jpg differ
diff --git a/docs/img/05a2ee4e2b81712775628943c2135066.jpg b/docs/img/05a2ee4e2b81712775628943c2135066.jpg
index 16d2f1ded794156bd5b475fa567ebbb5c63aef99..094c835d168691bf25b5d24333bc20f2cd3f0700 100644
Binary files a/docs/img/05a2ee4e2b81712775628943c2135066.jpg and b/docs/img/05a2ee4e2b81712775628943c2135066.jpg differ
diff --git a/docs/img/05cf1fb72d609a18fa7a4fdfb8ae460f.jpg b/docs/img/05cf1fb72d609a18fa7a4fdfb8ae460f.jpg
index db225396c6538357ad4bc9a7eb41598a6538cb0a..6b60b73edaeccdf6fe0f35fdab335dbd81416505 100644
Binary files a/docs/img/05cf1fb72d609a18fa7a4fdfb8ae460f.jpg and b/docs/img/05cf1fb72d609a18fa7a4fdfb8ae460f.jpg differ
diff --git a/docs/img/06f05fb132ef0dc7f9cca60a16b84f1a.jpg b/docs/img/06f05fb132ef0dc7f9cca60a16b84f1a.jpg
index a16d7e9ef8f4af25c3a1d3bb483b1091750a5eeb..8581fa1f58f2162426413f19b01fd5ad558ee381 100644
Binary files a/docs/img/06f05fb132ef0dc7f9cca60a16b84f1a.jpg and b/docs/img/06f05fb132ef0dc7f9cca60a16b84f1a.jpg differ
diff --git a/docs/img/077b00661754439549e60127485a6a4a.jpg b/docs/img/077b00661754439549e60127485a6a4a.jpg
index 0a4310d5ac568afceb30294acd2be04b52d2cd21..170b595ff6eeaac2de27209ca06e15752087f021 100644
Binary files a/docs/img/077b00661754439549e60127485a6a4a.jpg and b/docs/img/077b00661754439549e60127485a6a4a.jpg differ
diff --git a/docs/img/09cb7121a5be805931cc8ae1c99d3cf9.jpg b/docs/img/09cb7121a5be805931cc8ae1c99d3cf9.jpg
index c7a8ac59dfa6e19e411983f19ed54490c07352b3..f71c387f5a477f178591ec994ab06f392005fd05 100644
Binary files a/docs/img/09cb7121a5be805931cc8ae1c99d3cf9.jpg and b/docs/img/09cb7121a5be805931cc8ae1c99d3cf9.jpg differ
diff --git a/docs/img/0a27825dabd4d46b78291be90e8f255e.jpg b/docs/img/0a27825dabd4d46b78291be90e8f255e.jpg
index 3f8d3cd905b3840b468b2bab8aabe4340321f7e2..2418ff3a1ac1fef0b6d6fd67377d61bcbbb748a3 100644
Binary files a/docs/img/0a27825dabd4d46b78291be90e8f255e.jpg and b/docs/img/0a27825dabd4d46b78291be90e8f255e.jpg differ
diff --git a/docs/img/0a3f41c0a016c66f0f3379c128f550b9.jpg b/docs/img/0a3f41c0a016c66f0f3379c128f550b9.jpg
index f6e00f2eac2be99cd1c7249f900562160640194b..acca30edfff655687b8bbddb1e3e3982813b2bc7 100644
Binary files a/docs/img/0a3f41c0a016c66f0f3379c128f550b9.jpg and b/docs/img/0a3f41c0a016c66f0f3379c128f550b9.jpg differ
diff --git a/docs/img/0a53d5e52e4ce61295a6c2b5fc4bf6c8.jpg b/docs/img/0a53d5e52e4ce61295a6c2b5fc4bf6c8.jpg
index eafefd4fb15e2a2782f40b883318f6f291897684..866544e809c03f5fe95203fd2831d4749ee5017b 100644
Binary files a/docs/img/0a53d5e52e4ce61295a6c2b5fc4bf6c8.jpg and b/docs/img/0a53d5e52e4ce61295a6c2b5fc4bf6c8.jpg differ
diff --git a/docs/img/0aa3ba1dbc0e103e4d7b96c4de278ec9.jpg b/docs/img/0aa3ba1dbc0e103e4d7b96c4de278ec9.jpg
index 633b0a1126b470bfbe7a8a97ffd3b910998609d8..1b79197de005994be212cf45cb125185a81528bd 100644
Binary files a/docs/img/0aa3ba1dbc0e103e4d7b96c4de278ec9.jpg and b/docs/img/0aa3ba1dbc0e103e4d7b96c4de278ec9.jpg differ
diff --git a/docs/img/0b12363978e10369fc98bd33cb536d85.jpg b/docs/img/0b12363978e10369fc98bd33cb536d85.jpg
index e490fba5bdd1054518f5c1aad8b5985dbab115cb..b05680b98800a3f852538fdf33aab8cc5ec0ad63 100644
Binary files a/docs/img/0b12363978e10369fc98bd33cb536d85.jpg and b/docs/img/0b12363978e10369fc98bd33cb536d85.jpg differ
diff --git a/docs/img/0b688ef9f59240384ca84839d9707ce7.jpg b/docs/img/0b688ef9f59240384ca84839d9707ce7.jpg
index a5b814eed6506fc10d55bfa6ddad7a1447ebf646..9ab601eb273cb8d5a07f494a404b6f519d04c567 100644
Binary files a/docs/img/0b688ef9f59240384ca84839d9707ce7.jpg and b/docs/img/0b688ef9f59240384ca84839d9707ce7.jpg differ
diff --git a/docs/img/0c0c7dd9c7bdb6a6490d4f09db142ec7.jpg b/docs/img/0c0c7dd9c7bdb6a6490d4f09db142ec7.jpg
index 1af787d7b887d15fefbc065a250ee3c832e3d715..39ee8fa3daedfb4b6cac1c19b5d851f51968059e 100644
Binary files a/docs/img/0c0c7dd9c7bdb6a6490d4f09db142ec7.jpg and b/docs/img/0c0c7dd9c7bdb6a6490d4f09db142ec7.jpg differ
diff --git a/docs/img/0d8364e9bb731fa5d89b998087ba0635.jpg b/docs/img/0d8364e9bb731fa5d89b998087ba0635.jpg
index 86eba3944b0648447f0115eb33af4cb64bd35259..5158bbafac41bf606af3cfd68b64ae6b5d834686 100644
Binary files a/docs/img/0d8364e9bb731fa5d89b998087ba0635.jpg and b/docs/img/0d8364e9bb731fa5d89b998087ba0635.jpg differ
diff --git a/docs/img/0dc6d842f7d01eca73fa0b7426a6d152.jpg b/docs/img/0dc6d842f7d01eca73fa0b7426a6d152.jpg
index 705b2e34fdd4f1ae914b39e6443d56bc7d8e1936..a3e290fe83db208b82aacec16da269bd7983b09d 100644
Binary files a/docs/img/0dc6d842f7d01eca73fa0b7426a6d152.jpg and b/docs/img/0dc6d842f7d01eca73fa0b7426a6d152.jpg differ
diff --git a/docs/img/0ec9398faa407996527db66db46c71f2.jpg b/docs/img/0ec9398faa407996527db66db46c71f2.jpg
index 2746b173e0c5412270454f29726ad7ff0a825c70..e3748bc3cf1389c78fd85b003b8363ba161f4a2d 100644
Binary files a/docs/img/0ec9398faa407996527db66db46c71f2.jpg and b/docs/img/0ec9398faa407996527db66db46c71f2.jpg differ
diff --git a/docs/img/0fa41716b87d635876d921fc9ab967ea.jpg b/docs/img/0fa41716b87d635876d921fc9ab967ea.jpg
index 3656d6706f80a47bab43f3ce575ed8e73a4ae575..aba91574fb22d71a1884924ea58e84b4a715b517 100644
Binary files a/docs/img/0fa41716b87d635876d921fc9ab967ea.jpg and b/docs/img/0fa41716b87d635876d921fc9ab967ea.jpg differ
diff --git a/docs/img/11fc790735a7bdc59ac4a30d6af7e6d2.jpg b/docs/img/11fc790735a7bdc59ac4a30d6af7e6d2.jpg
index ddc4cb8555e938a105df0ed3b27542bfd9ec05e0..c68600b726bcb9c59bafbf4a6996011a697409fa 100644
Binary files a/docs/img/11fc790735a7bdc59ac4a30d6af7e6d2.jpg and b/docs/img/11fc790735a7bdc59ac4a30d6af7e6d2.jpg differ
diff --git a/docs/img/12d5e5950bf28b7027b28766bc41989f.jpg b/docs/img/12d5e5950bf28b7027b28766bc41989f.jpg
index 999df7807aefac7c0a580a2be93d4d69a84b86df..34c0681d725602334c3aa26e2d0ff48c8fcf5b1a 100644
Binary files a/docs/img/12d5e5950bf28b7027b28766bc41989f.jpg and b/docs/img/12d5e5950bf28b7027b28766bc41989f.jpg differ
diff --git a/docs/img/12d91b101a0391d48ce055f66e4a910a.jpg b/docs/img/12d91b101a0391d48ce055f66e4a910a.jpg
index 4423f3026fe2f9271ba080f1a5f7fe0c4427dfb9..41030e3562fb45c04e9e1bdd8e99db36b154a953 100644
Binary files a/docs/img/12d91b101a0391d48ce055f66e4a910a.jpg and b/docs/img/12d91b101a0391d48ce055f66e4a910a.jpg differ
diff --git a/docs/img/13804c3cf58c9d108ea1d638b643451f.jpg b/docs/img/13804c3cf58c9d108ea1d638b643451f.jpg
index 32873352da5b2f871739492d334ce3e77602cf4f..8f0576f00ec0570490b0cb8a130fe551079efe5e 100644
Binary files a/docs/img/13804c3cf58c9d108ea1d638b643451f.jpg and b/docs/img/13804c3cf58c9d108ea1d638b643451f.jpg differ
diff --git a/docs/img/141f4c98341da1bc3beb4dc78e30df08.jpg b/docs/img/141f4c98341da1bc3beb4dc78e30df08.jpg
index 193023eb2095447d4f2d4d2ed5a4f1e73b3adb6a..10e800a3b3fe74e01552ada25bb5ab1dcac87b17 100644
Binary files a/docs/img/141f4c98341da1bc3beb4dc78e30df08.jpg and b/docs/img/141f4c98341da1bc3beb4dc78e30df08.jpg differ
diff --git a/docs/img/144ee4446ca7ff02dd03b831c6144dbb.jpg b/docs/img/144ee4446ca7ff02dd03b831c6144dbb.jpg
index 2216d231a0efe7baf4942e831f027026c45b6805..1a3a200b85f46242b93a846bea182bf635d9130d 100644
Binary files a/docs/img/144ee4446ca7ff02dd03b831c6144dbb.jpg and b/docs/img/144ee4446ca7ff02dd03b831c6144dbb.jpg differ
diff --git a/docs/img/1519f7f68ebbc0bf3fa3072a2edb0838.jpg b/docs/img/1519f7f68ebbc0bf3fa3072a2edb0838.jpg
index 55254be63256970b956926677fe7cc07c6947067..c80ba6d9620a70f7ddc0d2df18aff3a21dd90e3c 100644
Binary files a/docs/img/1519f7f68ebbc0bf3fa3072a2edb0838.jpg and b/docs/img/1519f7f68ebbc0bf3fa3072a2edb0838.jpg differ
diff --git a/docs/img/151c643774e7ae51ed523abe3fa5f559.jpg b/docs/img/151c643774e7ae51ed523abe3fa5f559.jpg
index a376477c88fbaf00c65c0c127f019cc11adfc062..031c2d93b1a4a091f0b2ff2a617b35267c9d05b3 100644
Binary files a/docs/img/151c643774e7ae51ed523abe3fa5f559.jpg and b/docs/img/151c643774e7ae51ed523abe3fa5f559.jpg differ
diff --git a/docs/img/16096f5a5796354b892ba4f6ff2dcef1.jpg b/docs/img/16096f5a5796354b892ba4f6ff2dcef1.jpg
index d08673ed6a11ee7e511f8091fb0114b006632f60..554a6d0f37dc87f2cdcd6cd6af8b6ff5957f000d 100644
Binary files a/docs/img/16096f5a5796354b892ba4f6ff2dcef1.jpg and b/docs/img/16096f5a5796354b892ba4f6ff2dcef1.jpg differ
diff --git a/docs/img/17710001d51c2a58f06feca00a0eaa56.jpg b/docs/img/17710001d51c2a58f06feca00a0eaa56.jpg
index b18d9f0902b652b04d5b283d4790cd5f00ce6cb1..594d7598c1ecf5a5ec466ff50c9a9b82460fd3b3 100644
Binary files a/docs/img/17710001d51c2a58f06feca00a0eaa56.jpg and b/docs/img/17710001d51c2a58f06feca00a0eaa56.jpg differ
diff --git a/docs/img/17fa14f23873e6b75933971c609b4fe5.jpg b/docs/img/17fa14f23873e6b75933971c609b4fe5.jpg
index e428bec3960aa2e4c4cf8c13867b411e8e8fad7c..81ccaef8f27825d460a6249f23de01ae81c15141 100644
Binary files a/docs/img/17fa14f23873e6b75933971c609b4fe5.jpg and b/docs/img/17fa14f23873e6b75933971c609b4fe5.jpg differ
diff --git a/docs/img/1848472fd25a5227de0c58b2fc43c865.jpg b/docs/img/1848472fd25a5227de0c58b2fc43c865.jpg
index 193d382ea1df5135e6b2ed065f0d04c5ec1aab8c..21b15e5f2422bad50d483e49f415603658169d96 100644
Binary files a/docs/img/1848472fd25a5227de0c58b2fc43c865.jpg and b/docs/img/1848472fd25a5227de0c58b2fc43c865.jpg differ
diff --git a/docs/img/187d29ea70c79f73b11ccc7bfa3d2dc3.jpg b/docs/img/187d29ea70c79f73b11ccc7bfa3d2dc3.jpg
index 5381eaedd8ad5649fbd7a76c42f4c0062d6270d7..661a1088ac17013ede2ffa3c5fa1b04559781408 100644
Binary files a/docs/img/187d29ea70c79f73b11ccc7bfa3d2dc3.jpg and b/docs/img/187d29ea70c79f73b11ccc7bfa3d2dc3.jpg differ
diff --git a/docs/img/18916d57b3e69c5de1769a7b26e0f713.jpg b/docs/img/18916d57b3e69c5de1769a7b26e0f713.jpg
index 9f64d99435cd4d07cc745559b3aece510e7c2b2d..05cb386ecb54a14d26514507861665ae27ee1a5e 100644
Binary files a/docs/img/18916d57b3e69c5de1769a7b26e0f713.jpg and b/docs/img/18916d57b3e69c5de1769a7b26e0f713.jpg differ
diff --git a/docs/img/1a4a764cf63a098fe9db3dc317e88058.jpg b/docs/img/1a4a764cf63a098fe9db3dc317e88058.jpg
index 8ca07c8f7ec0274e513313fbf04e866939d7504a..f761fcbd179d43213dde971dd561ace7e731511f 100644
Binary files a/docs/img/1a4a764cf63a098fe9db3dc317e88058.jpg and b/docs/img/1a4a764cf63a098fe9db3dc317e88058.jpg differ
diff --git a/docs/img/1b02f55ed166cfeb0628691d84bc1958.jpg b/docs/img/1b02f55ed166cfeb0628691d84bc1958.jpg
index ec4eadd336cbc20411482b77ba6da769be2b036c..b3a4b8b887976a3c35a834c3e3eee80e40979231 100644
Binary files a/docs/img/1b02f55ed166cfeb0628691d84bc1958.jpg and b/docs/img/1b02f55ed166cfeb0628691d84bc1958.jpg differ
diff --git a/docs/img/1b8a02d12771dd98fcd113bf3a601e27.jpg b/docs/img/1b8a02d12771dd98fcd113bf3a601e27.jpg
index 6dcbf4d85203621dc3bdaed42a14da1ff72d2dce..10fdebf1eda7b6b1a88edbabbc9ccb0a27cbfe6e 100644
Binary files a/docs/img/1b8a02d12771dd98fcd113bf3a601e27.jpg and b/docs/img/1b8a02d12771dd98fcd113bf3a601e27.jpg differ
diff --git a/docs/img/1b8ec9b9fb72e9193bfefe933d976d37.jpg b/docs/img/1b8ec9b9fb72e9193bfefe933d976d37.jpg
index f770ebbb33d45bbb3d316f9a77be596d105c8f1a..f2e82ff186be2a2985f7012ce629a7c1c1ba372f 100644
Binary files a/docs/img/1b8ec9b9fb72e9193bfefe933d976d37.jpg and b/docs/img/1b8ec9b9fb72e9193bfefe933d976d37.jpg differ
diff --git a/docs/img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg b/docs/img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg
index 0c956390110c87ec72d21add84966198467687d4..da2e9faf72856387e8731e004e5cb6cb8caf80d5 100644
Binary files a/docs/img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg and b/docs/img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg differ
diff --git a/docs/img/1d21f3969de9de67e8acd0e2486c5e04.jpg b/docs/img/1d21f3969de9de67e8acd0e2486c5e04.jpg
index 3495b23a65567d574ebc308e6cc03dc1c2c90a33..46790a715a00bf9e42657891564b32601569d4a7 100644
Binary files a/docs/img/1d21f3969de9de67e8acd0e2486c5e04.jpg and b/docs/img/1d21f3969de9de67e8acd0e2486c5e04.jpg differ
diff --git a/docs/img/1db698012d05626321ac93ffb7668a2c.jpg b/docs/img/1db698012d05626321ac93ffb7668a2c.jpg
index 07361f6b8e1a8fb9f374c2a66961deb4e3a49926..b994dae644f8ed2ca66010f12ac7a34bff83a40c 100644
Binary files a/docs/img/1db698012d05626321ac93ffb7668a2c.jpg and b/docs/img/1db698012d05626321ac93ffb7668a2c.jpg differ
diff --git a/docs/img/1db91ed8446afc825fa5bba21f1ef278.jpg b/docs/img/1db91ed8446afc825fa5bba21f1ef278.jpg
index b3b38ad082a6437fe81f8be758e2f504e0bf0dd0..8cc2251a97106cc3f3612353994057ba63690b3e 100644
Binary files a/docs/img/1db91ed8446afc825fa5bba21f1ef278.jpg and b/docs/img/1db91ed8446afc825fa5bba21f1ef278.jpg differ
diff --git a/docs/img/1e1bc5f34e003c074af116c6f2a0cd58.jpg b/docs/img/1e1bc5f34e003c074af116c6f2a0cd58.jpg
index 7afd3f3499c6b755d308e67a597bd84bf0ba4087..c62a4cd7387c7973ec2d6b51bcc5b210663f2a69 100644
Binary files a/docs/img/1e1bc5f34e003c074af116c6f2a0cd58.jpg and b/docs/img/1e1bc5f34e003c074af116c6f2a0cd58.jpg differ
diff --git a/docs/img/1e3348f06e5cd7876d5bc530b04d3d93.jpg b/docs/img/1e3348f06e5cd7876d5bc530b04d3d93.jpg
index cdd007ebfeb39e4f1812589d136070c3a041430d..1886ddaab68bed39402437ea06a45bf15175cd4a 100644
Binary files a/docs/img/1e3348f06e5cd7876d5bc530b04d3d93.jpg and b/docs/img/1e3348f06e5cd7876d5bc530b04d3d93.jpg differ
diff --git a/docs/img/1e7ac5787ede28760da23610a7f3926f.jpg b/docs/img/1e7ac5787ede28760da23610a7f3926f.jpg
index a4e6fe6d7eff8144a7e8aa866d66e75715214741..214147a332998e6f352e898c5b421340fd6c5d91 100644
Binary files a/docs/img/1e7ac5787ede28760da23610a7f3926f.jpg and b/docs/img/1e7ac5787ede28760da23610a7f3926f.jpg differ
diff --git a/docs/img/1eb024fe4ee82e1fd71c47c29ebf1856.jpg b/docs/img/1eb024fe4ee82e1fd71c47c29ebf1856.jpg
index 7cc8c12eebc0cab92527580b9283312c02c3ab91..8b4f9eedaa9347ef5ec0648c1b9df992c4ce8ee2 100644
Binary files a/docs/img/1eb024fe4ee82e1fd71c47c29ebf1856.jpg and b/docs/img/1eb024fe4ee82e1fd71c47c29ebf1856.jpg differ
diff --git a/docs/img/1f4ad95dbd00806b549ece0b87386cf9.jpg b/docs/img/1f4ad95dbd00806b549ece0b87386cf9.jpg
index f1fdbd600f9714716a0a11a9e507341429b956b9..9856dab615b1fe4301ea49ff47e9e8e44d473b6e 100644
Binary files a/docs/img/1f4ad95dbd00806b549ece0b87386cf9.jpg and b/docs/img/1f4ad95dbd00806b549ece0b87386cf9.jpg differ
diff --git a/docs/img/20114eb58ca40a3ccf0b20f14f426c83.jpg b/docs/img/20114eb58ca40a3ccf0b20f14f426c83.jpg
index ec4aa2f2bec005b7b9f33abf0dfd055f1749c2ed..3ea68eee2a856e3af1530ebb63263625fd5b7996 100644
Binary files a/docs/img/20114eb58ca40a3ccf0b20f14f426c83.jpg and b/docs/img/20114eb58ca40a3ccf0b20f14f426c83.jpg differ
diff --git a/docs/img/2017a8a703bdcc077baea030a758721d.jpg b/docs/img/2017a8a703bdcc077baea030a758721d.jpg
index 6eb2c1de3a7c6e2fdc04fbba13ac268c5e8af08a..7174861a29bf7c91834ca07bdb227b00f66eeb68 100644
Binary files a/docs/img/2017a8a703bdcc077baea030a758721d.jpg and b/docs/img/2017a8a703bdcc077baea030a758721d.jpg differ
diff --git a/docs/img/21df9f9baaa60a010973e5b26a1e7259.jpg b/docs/img/21df9f9baaa60a010973e5b26a1e7259.jpg
index 250e8cb75bcc4d4a5502f2f89b15c28b37b395cf..ca8ac9cedbb8735c82a7c5aa6ca4e37bc56aebbc 100644
Binary files a/docs/img/21df9f9baaa60a010973e5b26a1e7259.jpg and b/docs/img/21df9f9baaa60a010973e5b26a1e7259.jpg differ
diff --git a/docs/img/23f314e72f6e5a8952dc9e9ad7e91951.jpg b/docs/img/23f314e72f6e5a8952dc9e9ad7e91951.jpg
index bdaa17dc8db1b338c4d862a5a4db9e055ba5cfea..98a975f75c78f0a5ebbc50e5d50b5af122ccd203 100644
Binary files a/docs/img/23f314e72f6e5a8952dc9e9ad7e91951.jpg and b/docs/img/23f314e72f6e5a8952dc9e9ad7e91951.jpg differ
diff --git a/docs/img/2422a0c0d2c96ec6397babaa6c842d79.jpg b/docs/img/2422a0c0d2c96ec6397babaa6c842d79.jpg
index 43e212fc2b3fefa3bc675d5f4512fcf79392ab45..8152ef753b504782ebd08c636509e459ffd86dea 100644
Binary files a/docs/img/2422a0c0d2c96ec6397babaa6c842d79.jpg and b/docs/img/2422a0c0d2c96ec6397babaa6c842d79.jpg differ
diff --git a/docs/img/247df80468d3edbc28836cb1cc56c81c.jpg b/docs/img/247df80468d3edbc28836cb1cc56c81c.jpg
index a02d8533ac742a9cf2680158e7bfdafe44cbc93d..8fda5e079a27c24f477683e08b555e969ed05555 100644
Binary files a/docs/img/247df80468d3edbc28836cb1cc56c81c.jpg and b/docs/img/247df80468d3edbc28836cb1cc56c81c.jpg differ
diff --git a/docs/img/25659857727e22d0f951f9c750bb29de.jpg b/docs/img/25659857727e22d0f951f9c750bb29de.jpg
index 7935fb6370bcd61a68ebbad44ed70ef56398acb3..5d9fd8a60dd451dfe4644be789ffdb8d9ee4f7b4 100644
Binary files a/docs/img/25659857727e22d0f951f9c750bb29de.jpg and b/docs/img/25659857727e22d0f951f9c750bb29de.jpg differ
diff --git a/docs/img/25ad91543cb2ac105ccfb3efc544658a.jpg b/docs/img/25ad91543cb2ac105ccfb3efc544658a.jpg
index 8a26765dd347dcadf762a93e9c4fa66504c11a71..e5e127fab8dbc2f780ebf0ca4578c1e1a6cd0701 100644
Binary files a/docs/img/25ad91543cb2ac105ccfb3efc544658a.jpg and b/docs/img/25ad91543cb2ac105ccfb3efc544658a.jpg differ
diff --git a/docs/img/2622373fb99932aa42e45c3b151135be.jpg b/docs/img/2622373fb99932aa42e45c3b151135be.jpg
index 56d68525b3e12d6073a1395ba5a05ff01a29610b..e59b2c05be1cfed3bc7a071913233c8f770c7f6c 100644
Binary files a/docs/img/2622373fb99932aa42e45c3b151135be.jpg and b/docs/img/2622373fb99932aa42e45c3b151135be.jpg differ
diff --git a/docs/img/2690d286a343ff53a43d15d54fc86e91.jpg b/docs/img/2690d286a343ff53a43d15d54fc86e91.jpg
index 7947a0fd21417d1cbb39c5944c2e9acb633618d8..89aecbb71682b5143ffa42fa45029a8ffe013f9f 100644
Binary files a/docs/img/2690d286a343ff53a43d15d54fc86e91.jpg and b/docs/img/2690d286a343ff53a43d15d54fc86e91.jpg differ
diff --git a/docs/img/26ac3dbbb98ec93352f776de6e6d2b65.jpg b/docs/img/26ac3dbbb98ec93352f776de6e6d2b65.jpg
index abbca00474ecbdd5163177710e1023337fcecc6c..a3b14ce6ad24339e0a7c1152a0683614a126acf3 100644
Binary files a/docs/img/26ac3dbbb98ec93352f776de6e6d2b65.jpg and b/docs/img/26ac3dbbb98ec93352f776de6e6d2b65.jpg differ
diff --git a/docs/img/26d08ab02c44cb0a819065f27a1b7f84.jpg b/docs/img/26d08ab02c44cb0a819065f27a1b7f84.jpg
index a97b899ae8dde2bfcb2ef9c3a7fd10c4e4291c92..0e1083a85ff55e2b8d436d15ad3cbf1035d40420 100644
Binary files a/docs/img/26d08ab02c44cb0a819065f27a1b7f84.jpg and b/docs/img/26d08ab02c44cb0a819065f27a1b7f84.jpg differ
diff --git a/docs/img/2749fd423c61cc0419daeeec8d8aa467.jpg b/docs/img/2749fd423c61cc0419daeeec8d8aa467.jpg
index 78364536dcc2f7ebeecc8885e25983b8d079cd5d..bba13507ec71ba4312cb972e2cc5afe4e8ed442b 100644
Binary files a/docs/img/2749fd423c61cc0419daeeec8d8aa467.jpg and b/docs/img/2749fd423c61cc0419daeeec8d8aa467.jpg differ
diff --git a/docs/img/2777268c97b2e7b9d1e8269eb5a30c32.jpg b/docs/img/2777268c97b2e7b9d1e8269eb5a30c32.jpg
index 8d42a35d6e8038a8e59bae1de305bd2a40e8ead9..7855368f8b2cafe5269ebb7fc747252159a4525f 100644
Binary files a/docs/img/2777268c97b2e7b9d1e8269eb5a30c32.jpg and b/docs/img/2777268c97b2e7b9d1e8269eb5a30c32.jpg differ
diff --git a/docs/img/27d73e1a33e6845f05c2a4670413c156.jpg b/docs/img/27d73e1a33e6845f05c2a4670413c156.jpg
index e4f23143c778a116d193d6116a6adf8e0545a07a..36622a5556be160b0f9d2b588bf4c98a43912899 100644
Binary files a/docs/img/27d73e1a33e6845f05c2a4670413c156.jpg and b/docs/img/27d73e1a33e6845f05c2a4670413c156.jpg differ
diff --git a/docs/img/2aca4924009e92a55bc1579fc086d36c.jpg b/docs/img/2aca4924009e92a55bc1579fc086d36c.jpg
index bd01df27193ff977baed11c205dff452147aec6c..a9a26560f5d270663f060155839c7ac22575af23 100644
Binary files a/docs/img/2aca4924009e92a55bc1579fc086d36c.jpg and b/docs/img/2aca4924009e92a55bc1579fc086d36c.jpg differ
diff --git a/docs/img/2b0ae6898e6a1091d872587335b2e5bf.jpg b/docs/img/2b0ae6898e6a1091d872587335b2e5bf.jpg
index bbbd3c53918b93b2666a467ea2bcc67c3fc19acf..7de89d03911175457b39520d19a6e3f45568bb70 100644
Binary files a/docs/img/2b0ae6898e6a1091d872587335b2e5bf.jpg and b/docs/img/2b0ae6898e6a1091d872587335b2e5bf.jpg differ
diff --git a/docs/img/2b4711757bd351625d2244392491e1cf.jpg b/docs/img/2b4711757bd351625d2244392491e1cf.jpg
index 04343c3421b0b3a8edd5bda9382fedc283429eb9..f64bea74fafd7885fa7da74cbcab35908f77577c 100644
Binary files a/docs/img/2b4711757bd351625d2244392491e1cf.jpg and b/docs/img/2b4711757bd351625d2244392491e1cf.jpg differ
diff --git a/docs/img/2b8879fda28a3be3acac977e15cbeebb.jpg b/docs/img/2b8879fda28a3be3acac977e15cbeebb.jpg
index 5b7e6ae8420f36ba04cc9f4b1008f25f836934fa..d810565c752e15b3bb7d2a7caf688fb5295e510e 100644
Binary files a/docs/img/2b8879fda28a3be3acac977e15cbeebb.jpg and b/docs/img/2b8879fda28a3be3acac977e15cbeebb.jpg differ
diff --git a/docs/img/2d47b5f96f08a539147e7f0a71d0aa33.jpg b/docs/img/2d47b5f96f08a539147e7f0a71d0aa33.jpg
index b79bf9da88c7c1f3ab183e0cbc44a0a29bc30644..761b046cfffd99ac9983a32a61e06779a2071226 100644
Binary files a/docs/img/2d47b5f96f08a539147e7f0a71d0aa33.jpg and b/docs/img/2d47b5f96f08a539147e7f0a71d0aa33.jpg differ
diff --git a/docs/img/2d731687030e9e2dab13cbdb46017e91.jpg b/docs/img/2d731687030e9e2dab13cbdb46017e91.jpg
index d4743c43fc9e34c4080a7d9ea68f34d6091fe051..9da5ff6481ea1402a81db36197cafad113d5d03f 100644
Binary files a/docs/img/2d731687030e9e2dab13cbdb46017e91.jpg and b/docs/img/2d731687030e9e2dab13cbdb46017e91.jpg differ
diff --git a/docs/img/2d899c79eea5f0341a72b193b32ee84b.jpg b/docs/img/2d899c79eea5f0341a72b193b32ee84b.jpg
index 2810844f385005623515801694f4a73deae46c0f..1e7b71d0591aa833b1788d86dfc6044f2694c391 100644
Binary files a/docs/img/2d899c79eea5f0341a72b193b32ee84b.jpg and b/docs/img/2d899c79eea5f0341a72b193b32ee84b.jpg differ
diff --git a/docs/img/2dcc622657bb409719bb9c747e0456c4.jpg b/docs/img/2dcc622657bb409719bb9c747e0456c4.jpg
index 3e19db55d9404b5889e2c29d413fbe445f7e1f2b..64137a6a73a7d856842ac9d3e6977fea3326de2a 100644
Binary files a/docs/img/2dcc622657bb409719bb9c747e0456c4.jpg and b/docs/img/2dcc622657bb409719bb9c747e0456c4.jpg differ
diff --git a/docs/img/2e23cc65e61b2659c68ac3746b8ebad1.jpg b/docs/img/2e23cc65e61b2659c68ac3746b8ebad1.jpg
index 4d974fdfd9a075f57a388d0d2adcb18f38ea2c78..5e725767ef06abf46d82bffc5cce2598bdd357c2 100644
Binary files a/docs/img/2e23cc65e61b2659c68ac3746b8ebad1.jpg and b/docs/img/2e23cc65e61b2659c68ac3746b8ebad1.jpg differ
diff --git a/docs/img/2e48cfc09dde0559e31096f5a067ad3d.jpg b/docs/img/2e48cfc09dde0559e31096f5a067ad3d.jpg
index 723103dbdee06f503d9d485fee786c66f9f2e36b..deb313175de8f3656d41de6b0d8d36cc50650994 100644
Binary files a/docs/img/2e48cfc09dde0559e31096f5a067ad3d.jpg and b/docs/img/2e48cfc09dde0559e31096f5a067ad3d.jpg differ
diff --git a/docs/img/2e57af8b26439c244046ff7846601335.jpg b/docs/img/2e57af8b26439c244046ff7846601335.jpg
index 3d54eedb50b225f11d7c22d2aede61a524c3d47f..7c1f2fce59b93f70291ef50c099814fc6e742bcf 100644
Binary files a/docs/img/2e57af8b26439c244046ff7846601335.jpg and b/docs/img/2e57af8b26439c244046ff7846601335.jpg differ
diff --git a/docs/img/2e99f3ab69ddcc3a94df1ddb15068249.jpg b/docs/img/2e99f3ab69ddcc3a94df1ddb15068249.jpg
index 930877fbd1dbf339ad311e2605798ed7a447a5bd..b3eaf998dbbe016f4de4288f9ad82de372180e20 100644
Binary files a/docs/img/2e99f3ab69ddcc3a94df1ddb15068249.jpg and b/docs/img/2e99f3ab69ddcc3a94df1ddb15068249.jpg differ
diff --git a/docs/img/304d64035cdade741a6566356fb5105f.jpg b/docs/img/304d64035cdade741a6566356fb5105f.jpg
index 5d98881177e45c9d34092376655dd16590d0ab26..2186e4d0c5bea4502d313d88f618238d2835ca64 100644
Binary files a/docs/img/304d64035cdade741a6566356fb5105f.jpg and b/docs/img/304d64035cdade741a6566356fb5105f.jpg differ
diff --git a/docs/img/308a2f3dd32f77b25254d6650cce7be8.jpg b/docs/img/308a2f3dd32f77b25254d6650cce7be8.jpg
index 891f8f3a631bb932a311f5ee76222e7deae982ac..a2745a3592b9df260cd468787c141435bc9fe28c 100644
Binary files a/docs/img/308a2f3dd32f77b25254d6650cce7be8.jpg and b/docs/img/308a2f3dd32f77b25254d6650cce7be8.jpg differ
diff --git a/docs/img/30bd1c7aa657fabb90851a094c8d0a1e.jpg b/docs/img/30bd1c7aa657fabb90851a094c8d0a1e.jpg
index dc1fc36da84818973e03b43cfa40ff48cdc330d3..24e1584769e54757d44157122f42eab46cd6e58f 100644
Binary files a/docs/img/30bd1c7aa657fabb90851a094c8d0a1e.jpg and b/docs/img/30bd1c7aa657fabb90851a094c8d0a1e.jpg differ
diff --git a/docs/img/3152abe0e185f2c164330dac175b8746.jpg b/docs/img/3152abe0e185f2c164330dac175b8746.jpg
index 4548e07f604e2ef51d474f925e6338c192a57b08..fd614b1521ffc9169e4756975cb3ed4b73a106b1 100644
Binary files a/docs/img/3152abe0e185f2c164330dac175b8746.jpg and b/docs/img/3152abe0e185f2c164330dac175b8746.jpg differ
diff --git a/docs/img/318e42d583df0fc8e01c6d7c565d758c.jpg b/docs/img/318e42d583df0fc8e01c6d7c565d758c.jpg
index 57c31dd2b53372adfe5b576c5bcbfbc700834692..5c2c43c8665124977a28f8ed55f12be5a4a47d23 100644
Binary files a/docs/img/318e42d583df0fc8e01c6d7c565d758c.jpg and b/docs/img/318e42d583df0fc8e01c6d7c565d758c.jpg differ
diff --git a/docs/img/31c79f0cf22d453e10799da960e3e801.jpg b/docs/img/31c79f0cf22d453e10799da960e3e801.jpg
index 8f042ac82c2bfa38995b38ad3be902941a7ca07f..5b598d0897dbdabdb7f2baf86b79abf25546cd16 100644
Binary files a/docs/img/31c79f0cf22d453e10799da960e3e801.jpg and b/docs/img/31c79f0cf22d453e10799da960e3e801.jpg differ
diff --git a/docs/img/31d92e08bdcc758f28b32f9a6f31aff7.jpg b/docs/img/31d92e08bdcc758f28b32f9a6f31aff7.jpg
index 9705d00b525d05cf52f817ab79d8edd615a31ba8..78d027a3c3278310417dd8762c7692ab20893d26 100644
Binary files a/docs/img/31d92e08bdcc758f28b32f9a6f31aff7.jpg and b/docs/img/31d92e08bdcc758f28b32f9a6f31aff7.jpg differ
diff --git a/docs/img/31ee2d7a3dfda467565a2053ac19a38f.jpg b/docs/img/31ee2d7a3dfda467565a2053ac19a38f.jpg
index cf2c4d6e12f7e5c021d4a752b8b7a840d2ac576b..b9e92ad9681f41961f86ee70bcd10ffe29bd82d5 100644
Binary files a/docs/img/31ee2d7a3dfda467565a2053ac19a38f.jpg and b/docs/img/31ee2d7a3dfda467565a2053ac19a38f.jpg differ
diff --git a/docs/img/341dd0f98ddca59219e6289b038c8784.jpg b/docs/img/341dd0f98ddca59219e6289b038c8784.jpg
index 716e32ef418f0d76b22acc0f12a7df5ae5b7b4fe..20827b6744bc1adf0036f106bc148066b6a0691f 100644
Binary files a/docs/img/341dd0f98ddca59219e6289b038c8784.jpg and b/docs/img/341dd0f98ddca59219e6289b038c8784.jpg differ
diff --git a/docs/img/34aa97c61dd6f6176fa2256880526439.jpg b/docs/img/34aa97c61dd6f6176fa2256880526439.jpg
index d97921b33f57f3a18279918bac4229107d31e1ec..32c168a80194be04022f659d9d05ecfd95dac479 100644
Binary files a/docs/img/34aa97c61dd6f6176fa2256880526439.jpg and b/docs/img/34aa97c61dd6f6176fa2256880526439.jpg differ
diff --git a/docs/img/34fc6de3cfc117757cc0e5f658a06928.jpg b/docs/img/34fc6de3cfc117757cc0e5f658a06928.jpg
index 6d207051d5ad610b79df26e87aeed21f5a95b493..ba258992133e083325e685c17386773d32559d47 100644
Binary files a/docs/img/34fc6de3cfc117757cc0e5f658a06928.jpg and b/docs/img/34fc6de3cfc117757cc0e5f658a06928.jpg differ
diff --git a/docs/img/35544ecf6de962c91ab860527035f39f.jpg b/docs/img/35544ecf6de962c91ab860527035f39f.jpg
index abc3cd3f2c2418d88d4e329b6944e4c85e385f7f..176426fe81c41d2cffbefd63f928128207ae173f 100644
Binary files a/docs/img/35544ecf6de962c91ab860527035f39f.jpg and b/docs/img/35544ecf6de962c91ab860527035f39f.jpg differ
diff --git a/docs/img/35ba6c0dab54401105c2b869de17084b.jpg b/docs/img/35ba6c0dab54401105c2b869de17084b.jpg
index aa28fe089a974227655156aa47022385096dcc0f..882719821b8f49dec685fe100ce2f318aafa9de3 100644
Binary files a/docs/img/35ba6c0dab54401105c2b869de17084b.jpg and b/docs/img/35ba6c0dab54401105c2b869de17084b.jpg differ
diff --git a/docs/img/35c303fe21899eb631a454ab2d09e1bf.jpg b/docs/img/35c303fe21899eb631a454ab2d09e1bf.jpg
index 058402b0339fa5b2f57ee8f950182fec2de7dfda..1e30fca73693c24c260641ceafb573ad9209d7cf 100644
Binary files a/docs/img/35c303fe21899eb631a454ab2d09e1bf.jpg and b/docs/img/35c303fe21899eb631a454ab2d09e1bf.jpg differ
diff --git a/docs/img/35c6cb5f121884b387bc70e68ed2a22d.jpg b/docs/img/35c6cb5f121884b387bc70e68ed2a22d.jpg
index 1b9d73c7d67cc82c5fb76ff5bbe499e3222e6be5..d402f3a2c047f7e5d725e7ecb33827d19d3ced8e 100644
Binary files a/docs/img/35c6cb5f121884b387bc70e68ed2a22d.jpg and b/docs/img/35c6cb5f121884b387bc70e68ed2a22d.jpg differ
diff --git a/docs/img/35f33d0939e4e10f46437f5690ad766b.jpg b/docs/img/35f33d0939e4e10f46437f5690ad766b.jpg
index 19908035871fa0e76e335e5faacdf3e6a437554e..be50d73736930c0ea10a9974b11d8b48e9e2a144 100644
Binary files a/docs/img/35f33d0939e4e10f46437f5690ad766b.jpg and b/docs/img/35f33d0939e4e10f46437f5690ad766b.jpg differ
diff --git a/docs/img/36048a5d4503fddb7cf3479a473188f2.jpg b/docs/img/36048a5d4503fddb7cf3479a473188f2.jpg
index f4009b88b1e910ea0002365d6f0dab300bb43df3..42b3a04d2c3d578187bdf5956da5ede3109a4be6 100644
Binary files a/docs/img/36048a5d4503fddb7cf3479a473188f2.jpg and b/docs/img/36048a5d4503fddb7cf3479a473188f2.jpg differ
diff --git a/docs/img/36180ad55b36cb767608c261d92e2918.jpg b/docs/img/36180ad55b36cb767608c261d92e2918.jpg
index 2005d172c5fd3905cafeb7f06f5a6c34fe94d641..26ac1bd2f0ba36af5a74d100449ef4d29b5ae915 100644
Binary files a/docs/img/36180ad55b36cb767608c261d92e2918.jpg and b/docs/img/36180ad55b36cb767608c261d92e2918.jpg differ
diff --git a/docs/img/3690d2883f41b811443d3bfd92e7a9d7.jpg b/docs/img/3690d2883f41b811443d3bfd92e7a9d7.jpg
index 7d81a7befceafb19c506d3b2d66e7d7c436bbb6d..f28c8f66348b4efbbe6590cd7cf479935198837e 100644
Binary files a/docs/img/3690d2883f41b811443d3bfd92e7a9d7.jpg and b/docs/img/3690d2883f41b811443d3bfd92e7a9d7.jpg differ
diff --git a/docs/img/3a0a2053efeea3a9932d764e2d71470d.jpg b/docs/img/3a0a2053efeea3a9932d764e2d71470d.jpg
index 428df916f1841ee0bd7ea74e38f869b49de94f18..c1d43bca452b63f38780645385d899b1e24b4015 100644
Binary files a/docs/img/3a0a2053efeea3a9932d764e2d71470d.jpg and b/docs/img/3a0a2053efeea3a9932d764e2d71470d.jpg differ
diff --git a/docs/img/3a3de5e84041d929dbf5cbade67f93e6.jpg b/docs/img/3a3de5e84041d929dbf5cbade67f93e6.jpg
index b1b7669e6407d9f21f1681a4a05a97122d06c1b5..76fc974931129d184cd95859d5fe1d6727118355 100644
Binary files a/docs/img/3a3de5e84041d929dbf5cbade67f93e6.jpg and b/docs/img/3a3de5e84041d929dbf5cbade67f93e6.jpg differ
diff --git a/docs/img/3a85305cd59104b4d9403deb570373cc.jpg b/docs/img/3a85305cd59104b4d9403deb570373cc.jpg
index eaa43ac813bba8d7620aae2b9fddaaa5884e85e1..341d7d198976f40e57a3dc7d5ccd484dcd4e7586 100644
Binary files a/docs/img/3a85305cd59104b4d9403deb570373cc.jpg and b/docs/img/3a85305cd59104b4d9403deb570373cc.jpg differ
diff --git a/docs/img/3a9f5f15fbcf65ae0763da92544620c3.jpg b/docs/img/3a9f5f15fbcf65ae0763da92544620c3.jpg
index 0c0cb343932228577a0bc2b68552e093b5d27908..73ca682759376d88f9ed94e3bf051837bf07a520 100644
Binary files a/docs/img/3a9f5f15fbcf65ae0763da92544620c3.jpg and b/docs/img/3a9f5f15fbcf65ae0763da92544620c3.jpg differ
diff --git a/docs/img/3ab581b389567a79a8bf4ddd79ec9356.jpg b/docs/img/3ab581b389567a79a8bf4ddd79ec9356.jpg
index 131e46c720328338b8428aafe14f8476b1d4f6ef..e8bb3de1cd9cd76e5878a125bdafc3df00678df3 100644
Binary files a/docs/img/3ab581b389567a79a8bf4ddd79ec9356.jpg and b/docs/img/3ab581b389567a79a8bf4ddd79ec9356.jpg differ
diff --git a/docs/img/3acbff477d462457ef54fe167311c30e.jpg b/docs/img/3acbff477d462457ef54fe167311c30e.jpg
index 6d5e69865eb955660220ebdc202915413a18fff4..89ee210fe26153958f80fcb0d884f6ffe58d4efe 100644
Binary files a/docs/img/3acbff477d462457ef54fe167311c30e.jpg and b/docs/img/3acbff477d462457ef54fe167311c30e.jpg differ
diff --git a/docs/img/3be223a42bf5ef33ccf970a4e8a79fe3.jpg b/docs/img/3be223a42bf5ef33ccf970a4e8a79fe3.jpg
index 516c3c26bdd6337c55753f6974e4c202f9fbddf6..69d99e3ca11728cec8f81a44667d7ebac1451301 100644
Binary files a/docs/img/3be223a42bf5ef33ccf970a4e8a79fe3.jpg and b/docs/img/3be223a42bf5ef33ccf970a4e8a79fe3.jpg differ
diff --git a/docs/img/3c50ee123e8192e2899983b1be19d34b.jpg b/docs/img/3c50ee123e8192e2899983b1be19d34b.jpg
index 973d08aaf2b991db53ac0d89bd8e7114232949c9..fe838ae1a01aaddc8d4ae4c959defc334f13abc4 100644
Binary files a/docs/img/3c50ee123e8192e2899983b1be19d34b.jpg and b/docs/img/3c50ee123e8192e2899983b1be19d34b.jpg differ
diff --git a/docs/img/3e159b4a38edb79ede76d93a55e2acb9.jpg b/docs/img/3e159b4a38edb79ede76d93a55e2acb9.jpg
index 9430a8e2677609fb91070d9b7848eb0c480b7199..3ed04551d0bd13f85ecaf13ac0aeed155c3eb2bb 100644
Binary files a/docs/img/3e159b4a38edb79ede76d93a55e2acb9.jpg and b/docs/img/3e159b4a38edb79ede76d93a55e2acb9.jpg differ
diff --git a/docs/img/3f587e4b0523d3c3e09d9950a187d53c.jpg b/docs/img/3f587e4b0523d3c3e09d9950a187d53c.jpg
index a64b2abb9d9c7845baddfa19b2f279942d45140c..516540d5425ca8e1ba0d2f8e7f186231665a6de1 100644
Binary files a/docs/img/3f587e4b0523d3c3e09d9950a187d53c.jpg and b/docs/img/3f587e4b0523d3c3e09d9950a187d53c.jpg differ
diff --git a/docs/img/3fa9b8716f00e81aa6ca6864cb110e2b.jpg b/docs/img/3fa9b8716f00e81aa6ca6864cb110e2b.jpg
index c21314a811eaf12f8fa5196603b4ac70111d64c2..c46b1088a2eecf313c07643d5818159569355e6b 100644
Binary files a/docs/img/3fa9b8716f00e81aa6ca6864cb110e2b.jpg and b/docs/img/3fa9b8716f00e81aa6ca6864cb110e2b.jpg differ
diff --git a/docs/img/407bdac663f0df796492a65e635fca81.jpg b/docs/img/407bdac663f0df796492a65e635fca81.jpg
index ad8e4d035aaaf0b9992d3ab6c9c9a8eb72a7771b..40710fa9b3e692b74d13c166f6938346dcc2cc61 100644
Binary files a/docs/img/407bdac663f0df796492a65e635fca81.jpg and b/docs/img/407bdac663f0df796492a65e635fca81.jpg differ
diff --git a/docs/img/414037bdbfc9b79cf5f12a30645f7301.jpg b/docs/img/414037bdbfc9b79cf5f12a30645f7301.jpg
index a03d275eb1ec6d2ee15fb47c3ff8fbf0b6550ce3..58a44e44cbded58db95b0a6e0e9faadf78381e49 100644
Binary files a/docs/img/414037bdbfc9b79cf5f12a30645f7301.jpg and b/docs/img/414037bdbfc9b79cf5f12a30645f7301.jpg differ
diff --git a/docs/img/41ec1c6b7e5de5ac6cc5f6020ac029fc.jpg b/docs/img/41ec1c6b7e5de5ac6cc5f6020ac029fc.jpg
index 025f50001fe591a1be2c4f176c096c6844f76537..7bf5eb2509dea5b906885fa5eb0a3253870403f7 100644
Binary files a/docs/img/41ec1c6b7e5de5ac6cc5f6020ac029fc.jpg and b/docs/img/41ec1c6b7e5de5ac6cc5f6020ac029fc.jpg differ
diff --git a/docs/img/4217fbfe6aaba42c4d18a69c5b8c9fc4.jpg b/docs/img/4217fbfe6aaba42c4d18a69c5b8c9fc4.jpg
index 5812cf1cf82de365100051b0b626d1748499a4c7..de696a0f3c98b9dec95515a4cc7b20c71867a196 100644
Binary files a/docs/img/4217fbfe6aaba42c4d18a69c5b8c9fc4.jpg and b/docs/img/4217fbfe6aaba42c4d18a69c5b8c9fc4.jpg differ
diff --git a/docs/img/4263c8446521fa44bcb4c6f2bdec4bad.jpg b/docs/img/4263c8446521fa44bcb4c6f2bdec4bad.jpg
index 78abe8e65b80d271a7e2aab89a5c29498faf53ab..9070833261bc54646ed3cce1516e8eb2b01be494 100644
Binary files a/docs/img/4263c8446521fa44bcb4c6f2bdec4bad.jpg and b/docs/img/4263c8446521fa44bcb4c6f2bdec4bad.jpg differ
diff --git a/docs/img/426ace59c775cc095c6128e35bcff1b3.jpg b/docs/img/426ace59c775cc095c6128e35bcff1b3.jpg
index df68ff787d1086b8dc1f66bd35869ef7ed9d8765..acadcb96e7bb07f1212b36a1bd39592f9e58395d 100644
Binary files a/docs/img/426ace59c775cc095c6128e35bcff1b3.jpg and b/docs/img/426ace59c775cc095c6128e35bcff1b3.jpg differ
diff --git a/docs/img/429c1d877c3d7c4b23d82d35ade3603d.jpg b/docs/img/429c1d877c3d7c4b23d82d35ade3603d.jpg
index d87d0481bc903660174e40a0d60745f084050e04..11f698b9efc3e69142aeefdecf8cab1358a75cb3 100644
Binary files a/docs/img/429c1d877c3d7c4b23d82d35ade3603d.jpg and b/docs/img/429c1d877c3d7c4b23d82d35ade3603d.jpg differ
diff --git a/docs/img/438199f3698b863dd842a2f680c4a845.jpg b/docs/img/438199f3698b863dd842a2f680c4a845.jpg
index f732840936f4f743bcc68ac5fdb6da8ffe5b9a41..982d278c8aab3d0e23caaffd5844d0ed0e20500d 100644
Binary files a/docs/img/438199f3698b863dd842a2f680c4a845.jpg and b/docs/img/438199f3698b863dd842a2f680c4a845.jpg differ
diff --git a/docs/img/467839dfd41d95bdf1eb6d992d54a81f.jpg b/docs/img/467839dfd41d95bdf1eb6d992d54a81f.jpg
index 9eb038e36b6f3d30ab71096545fcf8221b5d0c56..41e60e69b4212cea617df00cb02e1b1b53ad8881 100644
Binary files a/docs/img/467839dfd41d95bdf1eb6d992d54a81f.jpg and b/docs/img/467839dfd41d95bdf1eb6d992d54a81f.jpg differ
diff --git a/docs/img/472e90723a05c450ec78ccf39888e6e4.jpg b/docs/img/472e90723a05c450ec78ccf39888e6e4.jpg
index 4ac1c017ceec2ca6d67b9c39acdb745b3280ac59..b8602c50601b50549d190a020d6de23b638ce967 100644
Binary files a/docs/img/472e90723a05c450ec78ccf39888e6e4.jpg and b/docs/img/472e90723a05c450ec78ccf39888e6e4.jpg differ
diff --git a/docs/img/4784d932a8738cea5085be56ce6f7315.jpg b/docs/img/4784d932a8738cea5085be56ce6f7315.jpg
index ce811295dc65d89efa02aeebbd7ffabb355575eb..e6c998146e9536e1d981c7487dcf0791e2cbce59 100644
Binary files a/docs/img/4784d932a8738cea5085be56ce6f7315.jpg and b/docs/img/4784d932a8738cea5085be56ce6f7315.jpg differ
diff --git a/docs/img/47c55edddae366e8d447c323d69b197f.jpg b/docs/img/47c55edddae366e8d447c323d69b197f.jpg
index eb8a617434bbd287f0df5d958355c708ab6bbffb..fa7986c293b7644d5ad0b9d063f84e4d1e7b78fa 100644
Binary files a/docs/img/47c55edddae366e8d447c323d69b197f.jpg and b/docs/img/47c55edddae366e8d447c323d69b197f.jpg differ
diff --git a/docs/img/47ce7b8d629a8d762bea59bc674e5490.jpg b/docs/img/47ce7b8d629a8d762bea59bc674e5490.jpg
index a91d3e1d1f8a02f988e52f962f67d136b4d1cf67..0df88336b445d0d9a2adeca0c5f0e5e1c41f6262 100644
Binary files a/docs/img/47ce7b8d629a8d762bea59bc674e5490.jpg and b/docs/img/47ce7b8d629a8d762bea59bc674e5490.jpg differ
diff --git a/docs/img/47decb21ce3a9413876a02f2967ef7aa.jpg b/docs/img/47decb21ce3a9413876a02f2967ef7aa.jpg
index c445b31c208a346a6e5498bf599ab0137101a005..cafc32a9a062222f0365c1bc36335ff5b47944fa 100644
Binary files a/docs/img/47decb21ce3a9413876a02f2967ef7aa.jpg and b/docs/img/47decb21ce3a9413876a02f2967ef7aa.jpg differ
diff --git a/docs/img/4810d616de6fa5d37502c1a2cd931669.jpg b/docs/img/4810d616de6fa5d37502c1a2cd931669.jpg
index 4b27e811a651bd45c8df910538b768a5f1bb641b..77432a9bd65a4a37a78fe01782f82e9eedddda46 100644
Binary files a/docs/img/4810d616de6fa5d37502c1a2cd931669.jpg and b/docs/img/4810d616de6fa5d37502c1a2cd931669.jpg differ
diff --git a/docs/img/48d5020fcbaa6d2f36aae520f84a6234.jpg b/docs/img/48d5020fcbaa6d2f36aae520f84a6234.jpg
index 5ef115413c7f2cf4ac41910be2988250fb679696..c9168c0e7c9e35331cbb8ed5a1e0620ff83dd236 100644
Binary files a/docs/img/48d5020fcbaa6d2f36aae520f84a6234.jpg and b/docs/img/48d5020fcbaa6d2f36aae520f84a6234.jpg differ
diff --git a/docs/img/49227838b078bcd197f52cd3a7b01865.jpg b/docs/img/49227838b078bcd197f52cd3a7b01865.jpg
index 3769325068a7b83c1c3b543c62e770f5cacaf734..515407f19bdd5a7570dda5db230ddebc3cce752d 100644
Binary files a/docs/img/49227838b078bcd197f52cd3a7b01865.jpg and b/docs/img/49227838b078bcd197f52cd3a7b01865.jpg differ
diff --git a/docs/img/4922c693b75b7656b2f16f8fd2dd6509.jpg b/docs/img/4922c693b75b7656b2f16f8fd2dd6509.jpg
index 193e8977557abcc8627f0c7349491d3fe3f64eab..fcaddf2a79b352c42592eb76eaf5bb2b442028d0 100644
Binary files a/docs/img/4922c693b75b7656b2f16f8fd2dd6509.jpg and b/docs/img/4922c693b75b7656b2f16f8fd2dd6509.jpg differ
diff --git a/docs/img/4a1b1a2445b45757efa39039fe666d0f.jpg b/docs/img/4a1b1a2445b45757efa39039fe666d0f.jpg
index cd8d13c5cbfb6e912af510ea85bdfd121f3c316c..323469f9bc416797df6ea4c9c260b6d55af52eb1 100644
Binary files a/docs/img/4a1b1a2445b45757efa39039fe666d0f.jpg and b/docs/img/4a1b1a2445b45757efa39039fe666d0f.jpg differ
diff --git a/docs/img/4a2b106cd5abd71c514edda6c1f06b6e.jpg b/docs/img/4a2b106cd5abd71c514edda6c1f06b6e.jpg
index 17d3c83f0ffd57a81724ade7c868f3523e49aaf4..d05dca118905b763cd97c37cf3e942d3b7dbe8bb 100644
Binary files a/docs/img/4a2b106cd5abd71c514edda6c1f06b6e.jpg and b/docs/img/4a2b106cd5abd71c514edda6c1f06b6e.jpg differ
diff --git a/docs/img/4affd3f4e9c07c5d6803b935d775b36f.jpg b/docs/img/4affd3f4e9c07c5d6803b935d775b36f.jpg
index 26682ff1455d50a4c31afeef6db9fd7c9ba469bd..fc8dc6af81b970ddedbe88a87a771ec6d7b56830 100644
Binary files a/docs/img/4affd3f4e9c07c5d6803b935d775b36f.jpg and b/docs/img/4affd3f4e9c07c5d6803b935d775b36f.jpg differ
diff --git a/docs/img/4c08e24283b6829b3d91e3c23de56923.jpg b/docs/img/4c08e24283b6829b3d91e3c23de56923.jpg
index c1a43f7ea7e64c2e6d71859f9dd2a10db54d9fa3..257da7dd79591bc036698330421c4c80a81d4d37 100644
Binary files a/docs/img/4c08e24283b6829b3d91e3c23de56923.jpg and b/docs/img/4c08e24283b6829b3d91e3c23de56923.jpg differ
diff --git a/docs/img/4c9cb45bac2fd0bc0e8ebf7b6411ecc9.jpg b/docs/img/4c9cb45bac2fd0bc0e8ebf7b6411ecc9.jpg
index 0e59e6744e61521899e97ac8e0f982a14ed23506..fb1ac6e29ad44cdafaf2567d900d2eaaf00e4dc1 100644
Binary files a/docs/img/4c9cb45bac2fd0bc0e8ebf7b6411ecc9.jpg and b/docs/img/4c9cb45bac2fd0bc0e8ebf7b6411ecc9.jpg differ
diff --git a/docs/img/4dda0f476dee5bc15c815a9403521409.jpg b/docs/img/4dda0f476dee5bc15c815a9403521409.jpg
index de737e9265ca42998336d736b7add7dfb0d658e7..ed8727219b35ee257d42047fbba65aa84aa677f6 100644
Binary files a/docs/img/4dda0f476dee5bc15c815a9403521409.jpg and b/docs/img/4dda0f476dee5bc15c815a9403521409.jpg differ
diff --git a/docs/img/4f24815584c7c584945d529f3d9dbfbf.jpg b/docs/img/4f24815584c7c584945d529f3d9dbfbf.jpg
index 7bfc8d52aa8aaa9b32dca43f5b21fa054e444a7d..49b4ee36cf6677f638cf38df5e5a5d54b1d23976 100644
Binary files a/docs/img/4f24815584c7c584945d529f3d9dbfbf.jpg and b/docs/img/4f24815584c7c584945d529f3d9dbfbf.jpg differ
diff --git a/docs/img/506d0705fd945624be2ed50162adb4eb.jpg b/docs/img/506d0705fd945624be2ed50162adb4eb.jpg
index 167d6104cfaa9efa9867f4d3e7c14eb2f75e0ead..ca6002adbd0653f45ba654c3c13315187ee1277b 100644
Binary files a/docs/img/506d0705fd945624be2ed50162adb4eb.jpg and b/docs/img/506d0705fd945624be2ed50162adb4eb.jpg differ
diff --git a/docs/img/512afaa1b09caf55faf909a34995137a.jpg b/docs/img/512afaa1b09caf55faf909a34995137a.jpg
index b21dc2330740a8ec5be416ba97de033cdfaab5ff..61cf535eec752ea26b0a9b6408fd9725238493cb 100644
Binary files a/docs/img/512afaa1b09caf55faf909a34995137a.jpg and b/docs/img/512afaa1b09caf55faf909a34995137a.jpg differ
diff --git a/docs/img/5147a9e7a6cd2453c2e80dd967724f7e.jpg b/docs/img/5147a9e7a6cd2453c2e80dd967724f7e.jpg
index 997b760fc42cc660e5caa9bdc00bee21dcd02ec7..1f12f08c28a1b44b5c2565f005561513b689192b 100644
Binary files a/docs/img/5147a9e7a6cd2453c2e80dd967724f7e.jpg and b/docs/img/5147a9e7a6cd2453c2e80dd967724f7e.jpg differ
diff --git a/docs/img/518916184779b02556d17a4d7366ba4f.jpg b/docs/img/518916184779b02556d17a4d7366ba4f.jpg
index e7b6cf55d2f3e9d487065db7c768090230376739..439f1fac226e28e8010ff2cf57fa2f8cecbdd55c 100644
Binary files a/docs/img/518916184779b02556d17a4d7366ba4f.jpg and b/docs/img/518916184779b02556d17a4d7366ba4f.jpg differ
diff --git a/docs/img/5193c672119d848c7926379d43f7f0cc.jpg b/docs/img/5193c672119d848c7926379d43f7f0cc.jpg
index 3e3f34e5517db52d4b147809c8f74b13eb69b75e..6cc485900bf76d0328bdda93ad4e3b72b099ec1f 100644
Binary files a/docs/img/5193c672119d848c7926379d43f7f0cc.jpg and b/docs/img/5193c672119d848c7926379d43f7f0cc.jpg differ
diff --git a/docs/img/519a9ac2d3daa6dd6160e4f71bf0e342.jpg b/docs/img/519a9ac2d3daa6dd6160e4f71bf0e342.jpg
index dde7784eb144225abd13b0ea4386f7e026c73385..8131bf42fbf2ff3a1a09827987a37c7717a05747 100644
Binary files a/docs/img/519a9ac2d3daa6dd6160e4f71bf0e342.jpg and b/docs/img/519a9ac2d3daa6dd6160e4f71bf0e342.jpg differ
diff --git a/docs/img/5291ce95bb602839ea9bb9b4e3e7d128.jpg b/docs/img/5291ce95bb602839ea9bb9b4e3e7d128.jpg
index 971486d613d5624002b35c55bb7d750f0558fcd4..8d0211b3059512492fa52f3d82d4a1c1b8c0c8cd 100644
Binary files a/docs/img/5291ce95bb602839ea9bb9b4e3e7d128.jpg and b/docs/img/5291ce95bb602839ea9bb9b4e3e7d128.jpg differ
diff --git a/docs/img/52d5efab2c08ec72873b3e66fea66d14.jpg b/docs/img/52d5efab2c08ec72873b3e66fea66d14.jpg
index a3df49bee00fb7662be2498eeefc135598210da5..9b92af9548af69d4e9576d465847caa73272e441 100644
Binary files a/docs/img/52d5efab2c08ec72873b3e66fea66d14.jpg and b/docs/img/52d5efab2c08ec72873b3e66fea66d14.jpg differ
diff --git a/docs/img/5307ba94c8d5a2ecca04c697414a762a.jpg b/docs/img/5307ba94c8d5a2ecca04c697414a762a.jpg
index d944f8de7901331962b90a449cde09e18b8fb6a1..65bac77bd33e3cac6d211a4cf161f4b241c96771 100644
Binary files a/docs/img/5307ba94c8d5a2ecca04c697414a762a.jpg and b/docs/img/5307ba94c8d5a2ecca04c697414a762a.jpg differ
diff --git a/docs/img/556be3cec3d1462768f0cc39618394ee.jpg b/docs/img/556be3cec3d1462768f0cc39618394ee.jpg
index bd1c08c9e63bd55772e8d3c07f828046813003b9..8cfc3eb2db549ff74e2308fd48a4a6e3790d0b17 100644
Binary files a/docs/img/556be3cec3d1462768f0cc39618394ee.jpg and b/docs/img/556be3cec3d1462768f0cc39618394ee.jpg differ
diff --git a/docs/img/566a36de7b39f66e34fa323e7153fa42.jpg b/docs/img/566a36de7b39f66e34fa323e7153fa42.jpg
index 969c7e60bb85d2d81804856641314a9df82e1416..8b79389054fbe393c98a6fe6d7b474b9e03451e1 100644
Binary files a/docs/img/566a36de7b39f66e34fa323e7153fa42.jpg and b/docs/img/566a36de7b39f66e34fa323e7153fa42.jpg differ
diff --git a/docs/img/5788d7f7d4b9f29480e997849d16ee10.jpg b/docs/img/5788d7f7d4b9f29480e997849d16ee10.jpg
index 4e3bff4a528b97c298c54004b82e4aea3d5d4af8..2930e6b781ab66c73760c443ea8e83d4436309da 100644
Binary files a/docs/img/5788d7f7d4b9f29480e997849d16ee10.jpg and b/docs/img/5788d7f7d4b9f29480e997849d16ee10.jpg differ
diff --git a/docs/img/582830f6213892477ca7f7fd8aea05e3.jpg b/docs/img/582830f6213892477ca7f7fd8aea05e3.jpg
index c715dda051c3795f196a015cb7d69f25578e4d01..1af82148867c9cbee5ba0cfa622eba3486aec6e5 100644
Binary files a/docs/img/582830f6213892477ca7f7fd8aea05e3.jpg and b/docs/img/582830f6213892477ca7f7fd8aea05e3.jpg differ
diff --git a/docs/img/583a43fccfad9c80a852b79bbd864c3b.jpg b/docs/img/583a43fccfad9c80a852b79bbd864c3b.jpg
index 4f1b31958305e5edfc3dcced8b006bd59d01ae04..779eb2e404d3b92f0551cbf7af187bbf1b020bca 100644
Binary files a/docs/img/583a43fccfad9c80a852b79bbd864c3b.jpg and b/docs/img/583a43fccfad9c80a852b79bbd864c3b.jpg differ
diff --git a/docs/img/58e8af844e6f097dc5995d7a2be70b0e.jpg b/docs/img/58e8af844e6f097dc5995d7a2be70b0e.jpg
index aa03930e431cde06d653a840bb1a79c96e104a10..befae9f9276cd294a50b0b6e90e537fe59dcde98 100644
Binary files a/docs/img/58e8af844e6f097dc5995d7a2be70b0e.jpg and b/docs/img/58e8af844e6f097dc5995d7a2be70b0e.jpg differ
diff --git a/docs/img/5900496ed8560e0dbee0628adb29f5e9.jpg b/docs/img/5900496ed8560e0dbee0628adb29f5e9.jpg
index fd711c5ad5c9c756cb522ec627753cab81eda8a1..cbce5a57573d2f119c62a9d898ae1e98d9b6e562 100644
Binary files a/docs/img/5900496ed8560e0dbee0628adb29f5e9.jpg and b/docs/img/5900496ed8560e0dbee0628adb29f5e9.jpg differ
diff --git a/docs/img/5a69e1058d9b8b4b5be6dc15d1bad130.jpg b/docs/img/5a69e1058d9b8b4b5be6dc15d1bad130.jpg
index b649599b9a5390f63b9af746825df0b202646bb7..291991680ee7013ba57351b2f8e46559e52f2d51 100644
Binary files a/docs/img/5a69e1058d9b8b4b5be6dc15d1bad130.jpg and b/docs/img/5a69e1058d9b8b4b5be6dc15d1bad130.jpg differ
diff --git a/docs/img/5ad59a428adab872b085f94007435de3.jpg b/docs/img/5ad59a428adab872b085f94007435de3.jpg
index 919a6a30f4c14131b360b12f47058c93241e1759..d758419057ba2c6b4414cceb44d9f88617d65ba2 100644
Binary files a/docs/img/5ad59a428adab872b085f94007435de3.jpg and b/docs/img/5ad59a428adab872b085f94007435de3.jpg differ
diff --git a/docs/img/5bbf1afea90de1dcab11584fb0169efe.jpg b/docs/img/5bbf1afea90de1dcab11584fb0169efe.jpg
index 6de879ba53574f7723aea61cabe0b0e3f0c2d786..36b8c43ad0da9868fcc336eb24f4f1f603fa5674 100644
Binary files a/docs/img/5bbf1afea90de1dcab11584fb0169efe.jpg and b/docs/img/5bbf1afea90de1dcab11584fb0169efe.jpg differ
diff --git a/docs/img/5beaabfceb79e2eef9563fc3044dd5f6.jpg b/docs/img/5beaabfceb79e2eef9563fc3044dd5f6.jpg
index fa4ac7abaa4f9bb70bc721c0f4c4686e3458dae7..db1016ddc5acf056b2d8f766712441def297f847 100644
Binary files a/docs/img/5beaabfceb79e2eef9563fc3044dd5f6.jpg and b/docs/img/5beaabfceb79e2eef9563fc3044dd5f6.jpg differ
diff --git a/docs/img/5c7220bdfc81c3823862c2988af57776.jpg b/docs/img/5c7220bdfc81c3823862c2988af57776.jpg
index cad904495a8816af61184ac6a35dfc5b0133f27f..f46c211b8d454a5ff93d61d93e2e031918e7c4cf 100644
Binary files a/docs/img/5c7220bdfc81c3823862c2988af57776.jpg and b/docs/img/5c7220bdfc81c3823862c2988af57776.jpg differ
diff --git a/docs/img/5d2d2c464b8872f780180217182517d4.jpg b/docs/img/5d2d2c464b8872f780180217182517d4.jpg
index c82e71109582455a7b5800ba995d98d891ad7a18..269efe37c617477d9c6d983022f9dbe47433a16d 100644
Binary files a/docs/img/5d2d2c464b8872f780180217182517d4.jpg and b/docs/img/5d2d2c464b8872f780180217182517d4.jpg differ
diff --git a/docs/img/5d75285f3c08542cd9db2296ef737d54.jpg b/docs/img/5d75285f3c08542cd9db2296ef737d54.jpg
index c811b81b22d30e3e1163ac18c8b56e79197f0de3..f8c485f745ba6a52f405586f2b0bf5074199aaa4 100644
Binary files a/docs/img/5d75285f3c08542cd9db2296ef737d54.jpg and b/docs/img/5d75285f3c08542cd9db2296ef737d54.jpg differ
diff --git a/docs/img/5d9c323ba09277e74341a23fc4397041.jpg b/docs/img/5d9c323ba09277e74341a23fc4397041.jpg
index 968178d6e934faea25a0705bbd49cd5f4e307533..262c7cc344352a6600785007601db60a6f53bce9 100644
Binary files a/docs/img/5d9c323ba09277e74341a23fc4397041.jpg and b/docs/img/5d9c323ba09277e74341a23fc4397041.jpg differ
diff --git a/docs/img/5e335e837566d00501c0389d96625993.jpg b/docs/img/5e335e837566d00501c0389d96625993.jpg
index d97348590883e85142eaef738bfce06305569e64..76c11a3fcef75aa6e3bb6580fc25da25a4d5be2b 100644
Binary files a/docs/img/5e335e837566d00501c0389d96625993.jpg and b/docs/img/5e335e837566d00501c0389d96625993.jpg differ
diff --git a/docs/img/5e7f4bf9cb93adb18b8275b2e6477182.jpg b/docs/img/5e7f4bf9cb93adb18b8275b2e6477182.jpg
index c97936defc3a40d404510603d499b91499dce30a..39ac75aed6f531719fdbf82c5a05ce86783a83b9 100644
Binary files a/docs/img/5e7f4bf9cb93adb18b8275b2e6477182.jpg and b/docs/img/5e7f4bf9cb93adb18b8275b2e6477182.jpg differ
diff --git a/docs/img/5e89b880399cf894d124b590416e7fb5.jpg b/docs/img/5e89b880399cf894d124b590416e7fb5.jpg
index 4b3d523224aa1ccbea7f87c120a463bfe94b4f14..7c60ed1b2ee5b9df3c64914e6b55ea50f99b0e59 100644
Binary files a/docs/img/5e89b880399cf894d124b590416e7fb5.jpg and b/docs/img/5e89b880399cf894d124b590416e7fb5.jpg differ
diff --git a/docs/img/5ebb828c6eed309cb239f2219f35397c.jpg b/docs/img/5ebb828c6eed309cb239f2219f35397c.jpg
index 12ed571edaf4e0b861138f5ed86354ca63e15a3c..b144ceb65963adda270752b12bc6b9323c9741ee 100644
Binary files a/docs/img/5ebb828c6eed309cb239f2219f35397c.jpg and b/docs/img/5ebb828c6eed309cb239f2219f35397c.jpg differ
diff --git a/docs/img/5edaaa0dfdffc4b78552a1a5b68f5491.jpg b/docs/img/5edaaa0dfdffc4b78552a1a5b68f5491.jpg
index 1ff834970b535a2765e77e9cf7ae8a527c919f22..58f96abc5cbf25d8544e838fa7d4d3dccb44b9de 100644
Binary files a/docs/img/5edaaa0dfdffc4b78552a1a5b68f5491.jpg and b/docs/img/5edaaa0dfdffc4b78552a1a5b68f5491.jpg differ
diff --git a/docs/img/5efb6c24bde137217b7d6471bd9e806a.jpg b/docs/img/5efb6c24bde137217b7d6471bd9e806a.jpg
index 51a2480127b9c3081fcc858fa016a3c4e19dbc45..6b70ec41594588e5faadad2f681905f3bf0967ff 100644
Binary files a/docs/img/5efb6c24bde137217b7d6471bd9e806a.jpg and b/docs/img/5efb6c24bde137217b7d6471bd9e806a.jpg differ
diff --git a/docs/img/6096554e5a6fc5659cb1506870489993.jpg b/docs/img/6096554e5a6fc5659cb1506870489993.jpg
index d15264f1e68e212f75c7f6ef0f75d74d432dcd98..84c0e57f3e329136a3a1ac67950962bb65488dd1 100644
Binary files a/docs/img/6096554e5a6fc5659cb1506870489993.jpg and b/docs/img/6096554e5a6fc5659cb1506870489993.jpg differ
diff --git a/docs/img/61b3a047c35b789c4461b09d5bed86ac.jpg b/docs/img/61b3a047c35b789c4461b09d5bed86ac.jpg
index 0fdee170a63d21488bff97e56ce1902a081a4b58..822be44525d8124bd0137bf751c720180caeec48 100644
Binary files a/docs/img/61b3a047c35b789c4461b09d5bed86ac.jpg and b/docs/img/61b3a047c35b789c4461b09d5bed86ac.jpg differ
diff --git a/docs/img/61c737744b3c54b93ad9bc691e4461bc.jpg b/docs/img/61c737744b3c54b93ad9bc691e4461bc.jpg
index 38db7ccb49f0ee4dff92bdd8527bce8e5fb9fea5..c1e3cfc17cc55083a5c3d130aaf56ff6bdf3c3d3 100644
Binary files a/docs/img/61c737744b3c54b93ad9bc691e4461bc.jpg and b/docs/img/61c737744b3c54b93ad9bc691e4461bc.jpg differ
diff --git a/docs/img/621cac508b507f43ba50f91290aea5fd.jpg b/docs/img/621cac508b507f43ba50f91290aea5fd.jpg
index 22f021e642cfad6c3b2f6bd0eaa7896ec764e745..65a2e992b9d75d593be403886dda219c9551faa2 100644
Binary files a/docs/img/621cac508b507f43ba50f91290aea5fd.jpg and b/docs/img/621cac508b507f43ba50f91290aea5fd.jpg differ
diff --git a/docs/img/6254a35c0308633b36668290c5aecadd.jpg b/docs/img/6254a35c0308633b36668290c5aecadd.jpg
index 06f36fd5db56553677b93591f4c1224815cb5c80..8a6c1bdf15f773b9ef1bf574b88c79827d8d05a6 100644
Binary files a/docs/img/6254a35c0308633b36668290c5aecadd.jpg and b/docs/img/6254a35c0308633b36668290c5aecadd.jpg differ
diff --git a/docs/img/627c14ca4d7cabe1d122fd0b9d2586bd.jpg b/docs/img/627c14ca4d7cabe1d122fd0b9d2586bd.jpg
index 59d2a1903dff4afe1d3e42919ee9a749f30db6a1..e29d43c5799d034ae852fb24ccba00f9eae9de62 100644
Binary files a/docs/img/627c14ca4d7cabe1d122fd0b9d2586bd.jpg and b/docs/img/627c14ca4d7cabe1d122fd0b9d2586bd.jpg differ
diff --git a/docs/img/62af2a2066c78c192cde66155a2331d9.jpg b/docs/img/62af2a2066c78c192cde66155a2331d9.jpg
index fcd4d6f5c2801beafca890bc5412f83a3d6379fc..aa0829ae7b7a40bfe7f5a464fcceb9048196a2dc 100644
Binary files a/docs/img/62af2a2066c78c192cde66155a2331d9.jpg and b/docs/img/62af2a2066c78c192cde66155a2331d9.jpg differ
diff --git a/docs/img/62b886998fa52840a228f283aa862506.jpg b/docs/img/62b886998fa52840a228f283aa862506.jpg
index e9740f4f8b9c41058a927161d06cc3b0b592ecde..2b120c9710219232675f1067f195fc69b240b75c 100644
Binary files a/docs/img/62b886998fa52840a228f283aa862506.jpg and b/docs/img/62b886998fa52840a228f283aa862506.jpg differ
diff --git a/docs/img/63e498131614f726dd72a90161b58971.jpg b/docs/img/63e498131614f726dd72a90161b58971.jpg
index 28d60352942133411ebcfbd7591e3a7c28c01b44..f928cde87ad1d53ef872b3ea7217bbd77f1fbe9e 100644
Binary files a/docs/img/63e498131614f726dd72a90161b58971.jpg and b/docs/img/63e498131614f726dd72a90161b58971.jpg differ
diff --git a/docs/img/640b99998425ffa57b452eca0b5e129b.jpg b/docs/img/640b99998425ffa57b452eca0b5e129b.jpg
index 284037c9b912ced63cafbf7b764ff9ff2c159169..8bb1c87b1a63a1043a3bf77cbe5bcfcb8813032d 100644
Binary files a/docs/img/640b99998425ffa57b452eca0b5e129b.jpg and b/docs/img/640b99998425ffa57b452eca0b5e129b.jpg differ
diff --git a/docs/img/642ca1bac62921f4290064ab256538bb.jpg b/docs/img/642ca1bac62921f4290064ab256538bb.jpg
index 181631ea81232a143564d9b4d8e1cc172e97e2f7..426ac0c9823cbc7f8fb08cfd322684edbe046cf3 100644
Binary files a/docs/img/642ca1bac62921f4290064ab256538bb.jpg and b/docs/img/642ca1bac62921f4290064ab256538bb.jpg differ
diff --git a/docs/img/64c061b1d37ef563dc9827fbb5c671a1.jpg b/docs/img/64c061b1d37ef563dc9827fbb5c671a1.jpg
index 7c5a6b1b9692e8a091a6cde4009564d0dc24a63b..58c10d9f75bb2a44c8b8c762e7c8ab1c1cdf394a 100644
Binary files a/docs/img/64c061b1d37ef563dc9827fbb5c671a1.jpg and b/docs/img/64c061b1d37ef563dc9827fbb5c671a1.jpg differ
diff --git a/docs/img/64c8d092f1c51150e58e0a41dfcad834.jpg b/docs/img/64c8d092f1c51150e58e0a41dfcad834.jpg
index 6eb9f5e945acbb1fe9839a22c0be806fb545fb04..2ea688e03006a77f96e4e3dc3968321f4adea935 100644
Binary files a/docs/img/64c8d092f1c51150e58e0a41dfcad834.jpg and b/docs/img/64c8d092f1c51150e58e0a41dfcad834.jpg differ
diff --git a/docs/img/6508f97c0a5563f99b755ccfac8c2b12.jpg b/docs/img/6508f97c0a5563f99b755ccfac8c2b12.jpg
index d9b7756aa53662abb892ba09a9aba8d82da8301c..c0ee63239be327b137a3832d77bc7731f73184fb 100644
Binary files a/docs/img/6508f97c0a5563f99b755ccfac8c2b12.jpg and b/docs/img/6508f97c0a5563f99b755ccfac8c2b12.jpg differ
diff --git a/docs/img/650e30fa2dd7a01892cacc0fd1e2ca85.jpg b/docs/img/650e30fa2dd7a01892cacc0fd1e2ca85.jpg
index 9bc2c5ff180001e91d2760a3801912cb516ebc3b..128aa03169b44c718ffe8db4dc758a71fb132f41 100644
Binary files a/docs/img/650e30fa2dd7a01892cacc0fd1e2ca85.jpg and b/docs/img/650e30fa2dd7a01892cacc0fd1e2ca85.jpg differ
diff --git a/docs/img/6537eb917989853ba1f152d08114fc53.jpg b/docs/img/6537eb917989853ba1f152d08114fc53.jpg
index e11971cd81f9fa765b04219c68303be5c8520c7c..3f54bd966b27bbc8d785360c4b7c511164b00b4e 100644
Binary files a/docs/img/6537eb917989853ba1f152d08114fc53.jpg and b/docs/img/6537eb917989853ba1f152d08114fc53.jpg differ
diff --git a/docs/img/65fcd97ee44e136d797a4d343a58cc4f.jpg b/docs/img/65fcd97ee44e136d797a4d343a58cc4f.jpg
index c0f9cb3c46e60b8f4c8ac5f7f7b4d34803fcbcc7..fb7525d2030ebf4fb0386a28df37c973dccac3c2 100644
Binary files a/docs/img/65fcd97ee44e136d797a4d343a58cc4f.jpg and b/docs/img/65fcd97ee44e136d797a4d343a58cc4f.jpg differ
diff --git a/docs/img/6600f3e11ba368f49ec94d562dd39b4a.jpg b/docs/img/6600f3e11ba368f49ec94d562dd39b4a.jpg
index 871fe31f77e5bc20c194aa8aab7d4188613d6462..24807264694301fc76b489fcd285abd3181097af 100644
Binary files a/docs/img/6600f3e11ba368f49ec94d562dd39b4a.jpg and b/docs/img/6600f3e11ba368f49ec94d562dd39b4a.jpg differ
diff --git a/docs/img/664ee3a6a4dfcace7697e385779f371b.jpg b/docs/img/664ee3a6a4dfcace7697e385779f371b.jpg
index c9e081588a9791a7a60dc12f2e9ec4d758bd645f..29aa4b54c885f0b6c2d11c3a1345c97751235023 100644
Binary files a/docs/img/664ee3a6a4dfcace7697e385779f371b.jpg and b/docs/img/664ee3a6a4dfcace7697e385779f371b.jpg differ
diff --git a/docs/img/6667c226e573f81913cd01ab631ca098.jpg b/docs/img/6667c226e573f81913cd01ab631ca098.jpg
index 3f96585a0a235e8c977c4aa1da6d314e8c52434a..9cc252c1d46c872d2f23eff859f19b88773cf4ce 100644
Binary files a/docs/img/6667c226e573f81913cd01ab631ca098.jpg and b/docs/img/6667c226e573f81913cd01ab631ca098.jpg differ
diff --git a/docs/img/66ba868aeef60b82d90c872e188217ed.jpg b/docs/img/66ba868aeef60b82d90c872e188217ed.jpg
index 206d7fec5d8fd74f6e1cb43002b84edc34dba917..5ead8d93193e59d900e90e0f37ac74368fa67aed 100644
Binary files a/docs/img/66ba868aeef60b82d90c872e188217ed.jpg and b/docs/img/66ba868aeef60b82d90c872e188217ed.jpg differ
diff --git a/docs/img/68010acf9a074a4aa94ad7e89b9a819e.jpg b/docs/img/68010acf9a074a4aa94ad7e89b9a819e.jpg
index 1c53e1c3a26254fc0c224b582227663fbfc5d1bb..d504a337452b4a341150c2e78abb643b2df93f1b 100644
Binary files a/docs/img/68010acf9a074a4aa94ad7e89b9a819e.jpg and b/docs/img/68010acf9a074a4aa94ad7e89b9a819e.jpg differ
diff --git a/docs/img/6840daa5bd6d421f05969aeb76c74032.jpg b/docs/img/6840daa5bd6d421f05969aeb76c74032.jpg
index 97ec24817aad784233bf473d1dac773b1158fe8c..ac3fa93230044bf8eea99bbfb23472ba9bc0e71a 100644
Binary files a/docs/img/6840daa5bd6d421f05969aeb76c74032.jpg and b/docs/img/6840daa5bd6d421f05969aeb76c74032.jpg differ
diff --git a/docs/img/686b61f7ba884a08ccd40cd9aae45791.jpg b/docs/img/686b61f7ba884a08ccd40cd9aae45791.jpg
index cb095c3826f164769d4e9a9b4831186a06bc6871..58db5842619ff8720a3dfa2bd0dc56145baaa5e4 100644
Binary files a/docs/img/686b61f7ba884a08ccd40cd9aae45791.jpg and b/docs/img/686b61f7ba884a08ccd40cd9aae45791.jpg differ
diff --git a/docs/img/687f85f5e0e06a68e6150c0533ff1748.jpg b/docs/img/687f85f5e0e06a68e6150c0533ff1748.jpg
index b80bf84db00866da301dbf28b2c299215b100240..e4accc329e1996bebf80544b5ca131045d6a0cdc 100644
Binary files a/docs/img/687f85f5e0e06a68e6150c0533ff1748.jpg and b/docs/img/687f85f5e0e06a68e6150c0533ff1748.jpg differ
diff --git a/docs/img/68f664bef239fbf14e3fa497f5ff9a02.jpg b/docs/img/68f664bef239fbf14e3fa497f5ff9a02.jpg
index c508639d71973fbc33aa4a905450f7bed7eb1c50..fafde7c3168bed8915eb7ba12b809e0a718e4399 100644
Binary files a/docs/img/68f664bef239fbf14e3fa497f5ff9a02.jpg and b/docs/img/68f664bef239fbf14e3fa497f5ff9a02.jpg differ
diff --git a/docs/img/696b41cce47f6657e61372ff64381129.jpg b/docs/img/696b41cce47f6657e61372ff64381129.jpg
index 95476a8699c9afbe8571b02b5b8ebf4c18d302b4..670a77b4833932434012fc461a6ea722da7c94e4 100644
Binary files a/docs/img/696b41cce47f6657e61372ff64381129.jpg and b/docs/img/696b41cce47f6657e61372ff64381129.jpg differ
diff --git a/docs/img/697bc3366186ebc63715159c7e6f934a.jpg b/docs/img/697bc3366186ebc63715159c7e6f934a.jpg
index f98a3295c2fb6fbd71c8c0a64c15706e157c8132..3252772e9a8b2945ae3e7b447d92effc6166ef0b 100644
Binary files a/docs/img/697bc3366186ebc63715159c7e6f934a.jpg and b/docs/img/697bc3366186ebc63715159c7e6f934a.jpg differ
diff --git a/docs/img/69f7923f9645a5a6bd0152889dc41109.jpg b/docs/img/69f7923f9645a5a6bd0152889dc41109.jpg
index 7ecc78ba624c11773f187324c5ef62595fe44307..e44173dde64d864264fd4760b7d1ce7377f47328 100644
Binary files a/docs/img/69f7923f9645a5a6bd0152889dc41109.jpg and b/docs/img/69f7923f9645a5a6bd0152889dc41109.jpg differ
diff --git a/docs/img/6c2898fe95dd4d45e166acda2ab730fe.jpg b/docs/img/6c2898fe95dd4d45e166acda2ab730fe.jpg
index 6e797f6945491857553337fde3f18b0ca6244027..ce7e282ddc5380b8d5214160add7ffd751468de9 100644
Binary files a/docs/img/6c2898fe95dd4d45e166acda2ab730fe.jpg and b/docs/img/6c2898fe95dd4d45e166acda2ab730fe.jpg differ
diff --git a/docs/img/6c7a1ce9ff5aa3607ad3bf275bd012fc.jpg b/docs/img/6c7a1ce9ff5aa3607ad3bf275bd012fc.jpg
index c4709c573c8caaf94ed83ed386a4261b7357890e..d143efbf18020880f1ae041cca6d0c7764c68295 100644
Binary files a/docs/img/6c7a1ce9ff5aa3607ad3bf275bd012fc.jpg and b/docs/img/6c7a1ce9ff5aa3607ad3bf275bd012fc.jpg differ
diff --git a/docs/img/6d5c569bf97b1f683a2ec921e1031112.jpg b/docs/img/6d5c569bf97b1f683a2ec921e1031112.jpg
index ea2c294aa3f7dfbaf3f1d8710627cc03fb1078ef..f50f18322816661c14aedc9baf2186d842a3d14a 100644
Binary files a/docs/img/6d5c569bf97b1f683a2ec921e1031112.jpg and b/docs/img/6d5c569bf97b1f683a2ec921e1031112.jpg differ
diff --git a/docs/img/6df84055fcde05fec3e0b9794967ad71.jpg b/docs/img/6df84055fcde05fec3e0b9794967ad71.jpg
index 0fcbc5abeee80e8dea696c3de33631853d33975c..001c5b7ab89abf849faf4bda3c9bc3ab604ed06a 100644
Binary files a/docs/img/6df84055fcde05fec3e0b9794967ad71.jpg and b/docs/img/6df84055fcde05fec3e0b9794967ad71.jpg differ
diff --git a/docs/img/6e0f3ad155ad03e98d1e10abc9d60e82.jpg b/docs/img/6e0f3ad155ad03e98d1e10abc9d60e82.jpg
index 9d8603c7c68fc987d985170e68be0d0b73bfc464..6e0f919d243c84f951b886fe607e35288f14ac51 100644
Binary files a/docs/img/6e0f3ad155ad03e98d1e10abc9d60e82.jpg and b/docs/img/6e0f3ad155ad03e98d1e10abc9d60e82.jpg differ
diff --git a/docs/img/6e3b5f94591e119cae1ead4b24d26c9e.jpg b/docs/img/6e3b5f94591e119cae1ead4b24d26c9e.jpg
index 5a89c1cf5f699a80d0d2935429516b184ebea28c..56cf7774036eda3b997c6f011f39f371ba0cc4d2 100644
Binary files a/docs/img/6e3b5f94591e119cae1ead4b24d26c9e.jpg and b/docs/img/6e3b5f94591e119cae1ead4b24d26c9e.jpg differ
diff --git a/docs/img/6e81b4c302189f59de63f96dbee3a197.jpg b/docs/img/6e81b4c302189f59de63f96dbee3a197.jpg
index 22d815103531b6682d64e0383ea2239163650772..8df325ca0bd320f4e70e3d78a4d0ec06ca19fddc 100644
Binary files a/docs/img/6e81b4c302189f59de63f96dbee3a197.jpg and b/docs/img/6e81b4c302189f59de63f96dbee3a197.jpg differ
diff --git a/docs/img/6f14991596118430a71f67d61d84933e.jpg b/docs/img/6f14991596118430a71f67d61d84933e.jpg
index 6a153b23ce2faa92cd85041f99c0739354295b5c..18485acd33bbaa27c042db8590bce631c9be8c48 100644
Binary files a/docs/img/6f14991596118430a71f67d61d84933e.jpg and b/docs/img/6f14991596118430a71f67d61d84933e.jpg differ
diff --git a/docs/img/6f53de8393d846c1c350ac9a5e85c900.jpg b/docs/img/6f53de8393d846c1c350ac9a5e85c900.jpg
index a83ba9b13a5cbed41fc4149661a75cd265dbb5e7..27d0e4f1377b9cbeeafee5ce1ce0dc54f81cd5a1 100644
Binary files a/docs/img/6f53de8393d846c1c350ac9a5e85c900.jpg and b/docs/img/6f53de8393d846c1c350ac9a5e85c900.jpg differ
diff --git a/docs/img/6f9585fcbe42e72521292b80b0fdc97a.jpg b/docs/img/6f9585fcbe42e72521292b80b0fdc97a.jpg
index c4332c449709c1d7bed271fff2f7281dd6fb9673..b77a4404d31c24d502701a0f7fcf7874b4538133 100644
Binary files a/docs/img/6f9585fcbe42e72521292b80b0fdc97a.jpg and b/docs/img/6f9585fcbe42e72521292b80b0fdc97a.jpg differ
diff --git a/docs/img/6ffe5e9bcaba45c14f423cae61e6e743.jpg b/docs/img/6ffe5e9bcaba45c14f423cae61e6e743.jpg
index 18cf65ec7694ca6b86e90fd1a50ad224e10210a7..684349294a7ac103734acf0d40fa84a3e9fb85e4 100644
Binary files a/docs/img/6ffe5e9bcaba45c14f423cae61e6e743.jpg and b/docs/img/6ffe5e9bcaba45c14f423cae61e6e743.jpg differ
diff --git a/docs/img/711ff3dd5a0aef63679fe4174259ee3d.jpg b/docs/img/711ff3dd5a0aef63679fe4174259ee3d.jpg
index 86516bd0776e1a06ca1ec8d68ae19d0cdd4251a4..eda30d801320737ab11cf76d53fd87d1a43f470f 100644
Binary files a/docs/img/711ff3dd5a0aef63679fe4174259ee3d.jpg and b/docs/img/711ff3dd5a0aef63679fe4174259ee3d.jpg differ
diff --git a/docs/img/712c7f2cff4ed2c31b99bf5200838ae1.jpg b/docs/img/712c7f2cff4ed2c31b99bf5200838ae1.jpg
index 4f939f6abd952fb024122845602e46831ea68763..409c714997b51897ceb5f53650a209c19d047872 100644
Binary files a/docs/img/712c7f2cff4ed2c31b99bf5200838ae1.jpg and b/docs/img/712c7f2cff4ed2c31b99bf5200838ae1.jpg differ
diff --git a/docs/img/727bcad15c428cfdd74d27db87677157.jpg b/docs/img/727bcad15c428cfdd74d27db87677157.jpg
index 2879dc2a5e9a0789080255f46698324d2dc57074..b5a920a04cca39ff83c648535bcac9a52bbd7657 100644
Binary files a/docs/img/727bcad15c428cfdd74d27db87677157.jpg and b/docs/img/727bcad15c428cfdd74d27db87677157.jpg differ
diff --git a/docs/img/72b1f526c884ba4a6a285f1e8723013e.jpg b/docs/img/72b1f526c884ba4a6a285f1e8723013e.jpg
index b6fe72a2799e719c9d9205c71016ff366a15199d..23eaf15c2b994604a284f6ea8e0a2ddf98554a26 100644
Binary files a/docs/img/72b1f526c884ba4a6a285f1e8723013e.jpg and b/docs/img/72b1f526c884ba4a6a285f1e8723013e.jpg differ
diff --git a/docs/img/735aa7eaadb9afb7a47a2d079b28a10b.jpg b/docs/img/735aa7eaadb9afb7a47a2d079b28a10b.jpg
index 8f7f8deadf21b3a19b7c538ca41cfec882797ee7..6940233a49c8a6f3509e949f6c4ece0ec1496070 100644
Binary files a/docs/img/735aa7eaadb9afb7a47a2d079b28a10b.jpg and b/docs/img/735aa7eaadb9afb7a47a2d079b28a10b.jpg differ
diff --git a/docs/img/73bbf8c6208a6e1c0dda89091dd509a4.jpg b/docs/img/73bbf8c6208a6e1c0dda89091dd509a4.jpg
index c6d4880e71b2c4bcb143ab1aebe8b5aade5dc791..b45a6f544d02193812ae991502aaf78c0457f6d5 100644
Binary files a/docs/img/73bbf8c6208a6e1c0dda89091dd509a4.jpg and b/docs/img/73bbf8c6208a6e1c0dda89091dd509a4.jpg differ
diff --git a/docs/img/73c68c911f3d8aaf827238e97a8dc560.jpg b/docs/img/73c68c911f3d8aaf827238e97a8dc560.jpg
index 91e9228c874078c2eea8a85487efab8adc0ad537..613e3d4452ba4cce3742b8ffda834441fcc9d2aa 100644
Binary files a/docs/img/73c68c911f3d8aaf827238e97a8dc560.jpg and b/docs/img/73c68c911f3d8aaf827238e97a8dc560.jpg differ
diff --git a/docs/img/74a27bb78efdcf1f93f6c4c77035bb88.jpg b/docs/img/74a27bb78efdcf1f93f6c4c77035bb88.jpg
index f62d7e5cfbfa6d91ae30c74fa27bdb6fca449bbb..b1d782a59b6aa1cf4d23826005b1f31c65084e8b 100644
Binary files a/docs/img/74a27bb78efdcf1f93f6c4c77035bb88.jpg and b/docs/img/74a27bb78efdcf1f93f6c4c77035bb88.jpg differ
diff --git a/docs/img/74befbc8e8cbc89474dd845fb49329ca.jpg b/docs/img/74befbc8e8cbc89474dd845fb49329ca.jpg
index 57d9bdd10409e18e3817e6e418815fc2fc87ef8b..d371df6bbd6e5490168cdc98eda397f3b0edef02 100644
Binary files a/docs/img/74befbc8e8cbc89474dd845fb49329ca.jpg and b/docs/img/74befbc8e8cbc89474dd845fb49329ca.jpg differ
diff --git a/docs/img/752dc56ea71ef769a622efe0d5ea1b56.jpg b/docs/img/752dc56ea71ef769a622efe0d5ea1b56.jpg
index af987269d9c55031e7f1024d04992b93c650b1bf..f3f92ad50eced1375f27caa214ee3f7d9016867b 100644
Binary files a/docs/img/752dc56ea71ef769a622efe0d5ea1b56.jpg and b/docs/img/752dc56ea71ef769a622efe0d5ea1b56.jpg differ
diff --git a/docs/img/7592f72da714721ad272271754ee8454.jpg b/docs/img/7592f72da714721ad272271754ee8454.jpg
index 0356fde4e5b4b6b10bd021570d90c6dec8aa2d14..209223d67965a850f230137deb74c1d63b50f052 100644
Binary files a/docs/img/7592f72da714721ad272271754ee8454.jpg and b/docs/img/7592f72da714721ad272271754ee8454.jpg differ
diff --git a/docs/img/75b405b71a445bc29d020b75ee4b3632.jpg b/docs/img/75b405b71a445bc29d020b75ee4b3632.jpg
index 52ac3c3a49d80e49038d10ea1d2e25b81a5dee8e..6e739f5ce25e736b6dbb39cdfb344b987d481ca4 100644
Binary files a/docs/img/75b405b71a445bc29d020b75ee4b3632.jpg and b/docs/img/75b405b71a445bc29d020b75ee4b3632.jpg differ
diff --git a/docs/img/770464118d2458a098652af00c46525a.jpg b/docs/img/770464118d2458a098652af00c46525a.jpg
index c359a9021e191f84844d0b48676c961a6d47d32e..a04a233c448d277201c769e34d1c5f54dd3a11d2 100644
Binary files a/docs/img/770464118d2458a098652af00c46525a.jpg and b/docs/img/770464118d2458a098652af00c46525a.jpg differ
diff --git a/docs/img/7787cf3ad144a10c16ce1f2697d4af34.jpg b/docs/img/7787cf3ad144a10c16ce1f2697d4af34.jpg
index 851c4027d8c7492a3cbee62b4d32e7eb7f575a30..3ddd9f61e14ebeec265442d307dd0e080e4df9c2 100644
Binary files a/docs/img/7787cf3ad144a10c16ce1f2697d4af34.jpg and b/docs/img/7787cf3ad144a10c16ce1f2697d4af34.jpg differ
diff --git a/docs/img/77fc98bcda361af76626399c4a1e7ad8.jpg b/docs/img/77fc98bcda361af76626399c4a1e7ad8.jpg
index e1e90c7add4f20ca0bf510faf6f079eb0e47f58e..9f17abab00484d095f57eb6877b8b1d71de79f70 100644
Binary files a/docs/img/77fc98bcda361af76626399c4a1e7ad8.jpg and b/docs/img/77fc98bcda361af76626399c4a1e7ad8.jpg differ
diff --git a/docs/img/798a1691371e0506570d9f1f72d95fe4.jpg b/docs/img/798a1691371e0506570d9f1f72d95fe4.jpg
index 5a748d6124cd17bd755da3b56a13dfe9da42498a..1438d477781ea15a18db4c19bc99af7bec1106ef 100644
Binary files a/docs/img/798a1691371e0506570d9f1f72d95fe4.jpg and b/docs/img/798a1691371e0506570d9f1f72d95fe4.jpg differ
diff --git a/docs/img/79a1d5cfd5409b9ac27b12fa7ec657d6.jpg b/docs/img/79a1d5cfd5409b9ac27b12fa7ec657d6.jpg
index 489aea2ddd4c37f88acabb9906a32e201acbd103..f4de2fc340827be2c3c750a511a70389137f32f0 100644
Binary files a/docs/img/79a1d5cfd5409b9ac27b12fa7ec657d6.jpg and b/docs/img/79a1d5cfd5409b9ac27b12fa7ec657d6.jpg differ
diff --git a/docs/img/79d93fb6cd8974ec779ead1b35e2aad1.jpg b/docs/img/79d93fb6cd8974ec779ead1b35e2aad1.jpg
index b2c85ab93e5e792a3045560ff88b7dd804bfd1b4..eba43a8082130048fc063b2041244963d5954b07 100644
Binary files a/docs/img/79d93fb6cd8974ec779ead1b35e2aad1.jpg and b/docs/img/79d93fb6cd8974ec779ead1b35e2aad1.jpg differ
diff --git a/docs/img/7a72774eb92deca2a76e6428021a5bd6.jpg b/docs/img/7a72774eb92deca2a76e6428021a5bd6.jpg
index eaee7f17beaebd3f05d8a43af38a79403885d54b..27ff463babfef83964ff7be6017bcf71bc6be631 100644
Binary files a/docs/img/7a72774eb92deca2a76e6428021a5bd6.jpg and b/docs/img/7a72774eb92deca2a76e6428021a5bd6.jpg differ
diff --git a/docs/img/7bd763d402e774603d6f5e7c48c2369a.jpg b/docs/img/7bd763d402e774603d6f5e7c48c2369a.jpg
index 600c7251a8ec1a1ec3859f1220021d2e0dceba0d..129069a2aadc28bcab79255cead0c6fc5df1ac4d 100644
Binary files a/docs/img/7bd763d402e774603d6f5e7c48c2369a.jpg and b/docs/img/7bd763d402e774603d6f5e7c48c2369a.jpg differ
diff --git a/docs/img/7c1bc4a2871b9e0dbe2c23ed05fcae1b.jpg b/docs/img/7c1bc4a2871b9e0dbe2c23ed05fcae1b.jpg
index 548eb35f6905c9257edf1af5b3e55c0b777814fd..e2e1267a3b9903c990c5347579309bbb51a57de7 100644
Binary files a/docs/img/7c1bc4a2871b9e0dbe2c23ed05fcae1b.jpg and b/docs/img/7c1bc4a2871b9e0dbe2c23ed05fcae1b.jpg differ
diff --git a/docs/img/7c21c8cb297826c3a45b483039151d9e.jpg b/docs/img/7c21c8cb297826c3a45b483039151d9e.jpg
index 4ebc859f9f11f9ca96cb54111a2dd51413f0d45e..3e1ac18c2106988ae24758a4aea76b64ebe8520f 100644
Binary files a/docs/img/7c21c8cb297826c3a45b483039151d9e.jpg and b/docs/img/7c21c8cb297826c3a45b483039151d9e.jpg differ
diff --git a/docs/img/7c717f27fe7c1e02672338abf7cad829.jpg b/docs/img/7c717f27fe7c1e02672338abf7cad829.jpg
index f82b226b0a02430966c26915c149e45fd9a4cf1d..ef4a1b1d035c19f845967c2a06a559782a0076f9 100644
Binary files a/docs/img/7c717f27fe7c1e02672338abf7cad829.jpg and b/docs/img/7c717f27fe7c1e02672338abf7cad829.jpg differ
diff --git a/docs/img/7e2b84efc57efecba1f8c1bfad570874.jpg b/docs/img/7e2b84efc57efecba1f8c1bfad570874.jpg
index 1a62035947b1debc5ded738d3ffd7f54fd2f8678..6fa148587f03d6f09d303db798b1f4575116fdee 100644
Binary files a/docs/img/7e2b84efc57efecba1f8c1bfad570874.jpg and b/docs/img/7e2b84efc57efecba1f8c1bfad570874.jpg differ
diff --git a/docs/img/7e2cd86a1f38e486133cd69728feed62.jpg b/docs/img/7e2cd86a1f38e486133cd69728feed62.jpg
index 453fd2783adf190da0086c93cf38b6aba561ff33..9770d1e2ff39a0731a0aeaa58c5a0926c4effec0 100644
Binary files a/docs/img/7e2cd86a1f38e486133cd69728feed62.jpg and b/docs/img/7e2cd86a1f38e486133cd69728feed62.jpg differ
diff --git a/docs/img/7fa2188b7e7f18a4af451121d39996f0.jpg b/docs/img/7fa2188b7e7f18a4af451121d39996f0.jpg
index a38e7ab0094363fff2d5cd12cafd993dcb078c1e..adfd8f77aff57764c74e0e6cf94943638440d97b 100644
Binary files a/docs/img/7fa2188b7e7f18a4af451121d39996f0.jpg and b/docs/img/7fa2188b7e7f18a4af451121d39996f0.jpg differ
diff --git a/docs/img/7facbea48d8c72d5400863700e07aa18.jpg b/docs/img/7facbea48d8c72d5400863700e07aa18.jpg
index 895f087e67e2f95ac1865943f366b3d6c99fc125..f94e4e791ec2137073da1443712c40b1912081a4 100644
Binary files a/docs/img/7facbea48d8c72d5400863700e07aa18.jpg and b/docs/img/7facbea48d8c72d5400863700e07aa18.jpg differ
diff --git a/docs/img/7fde400b120a0b6cd6aca0cb2de690db.jpg b/docs/img/7fde400b120a0b6cd6aca0cb2de690db.jpg
index bbc778f80d5dd88e5a8a4cad7ca26574c8a6b987..4dcb0df6343794a48323ebec4676fd569b3cc6a1 100644
Binary files a/docs/img/7fde400b120a0b6cd6aca0cb2de690db.jpg and b/docs/img/7fde400b120a0b6cd6aca0cb2de690db.jpg differ
diff --git a/docs/img/808d1fbb36b6a8028b4e31ec238af4dc.jpg b/docs/img/808d1fbb36b6a8028b4e31ec238af4dc.jpg
index 33f00fb390736817cd0954938978dcb2880e1af5..32fbc6359c3a909b05a6b5db6f1ea7a7bbb93e58 100644
Binary files a/docs/img/808d1fbb36b6a8028b4e31ec238af4dc.jpg and b/docs/img/808d1fbb36b6a8028b4e31ec238af4dc.jpg differ
diff --git a/docs/img/808e3bf946312498595c712d13d5401a.jpg b/docs/img/808e3bf946312498595c712d13d5401a.jpg
index 2b4a518b05631f1377e62a28d19a2a2699d2034a..65e819deace36f207e701d0a49dcaddb850dbe07 100644
Binary files a/docs/img/808e3bf946312498595c712d13d5401a.jpg and b/docs/img/808e3bf946312498595c712d13d5401a.jpg differ
diff --git a/docs/img/81ab9afd2faa6448de3c2b5a73ea3320.jpg b/docs/img/81ab9afd2faa6448de3c2b5a73ea3320.jpg
index d9a55c853d9e3c18e00900d2420229de1334448e..9421c14f6db8ade3d0f3187a6fa00efa10899011 100644
Binary files a/docs/img/81ab9afd2faa6448de3c2b5a73ea3320.jpg and b/docs/img/81ab9afd2faa6448de3c2b5a73ea3320.jpg differ
diff --git a/docs/img/823e73942bde25e25637964d2bcd7acf.jpg b/docs/img/823e73942bde25e25637964d2bcd7acf.jpg
index c68b6f289ad623fba8c6f55c2b14045a50973cf8..26091e18b5aea601add8f1df1acd17ecc0d88bb1 100644
Binary files a/docs/img/823e73942bde25e25637964d2bcd7acf.jpg and b/docs/img/823e73942bde25e25637964d2bcd7acf.jpg differ
diff --git a/docs/img/827ec31007a6e721317dd1ef46a8602f.jpg b/docs/img/827ec31007a6e721317dd1ef46a8602f.jpg
index 32f8ca9001bbd0a2926dd291cbed4de70c12d6a3..b2e5705edaffd84d08f6479badc9b831c9a5ca7b 100644
Binary files a/docs/img/827ec31007a6e721317dd1ef46a8602f.jpg and b/docs/img/827ec31007a6e721317dd1ef46a8602f.jpg differ
diff --git a/docs/img/83369998db2c4eb1e99c856c538f5cb2.jpg b/docs/img/83369998db2c4eb1e99c856c538f5cb2.jpg
index 4d5b5a1e2a1bb03509cd7d6dcc2d1c69211c942f..92db9ccc7dd477d712291a94f0adab8f328fc72b 100644
Binary files a/docs/img/83369998db2c4eb1e99c856c538f5cb2.jpg and b/docs/img/83369998db2c4eb1e99c856c538f5cb2.jpg differ
diff --git a/docs/img/83eadbdb8a87de2c9615c02d627bb299.jpg b/docs/img/83eadbdb8a87de2c9615c02d627bb299.jpg
index 4522a4e2aa660f60a8afabbbfc006989ac82ba0d..eee68ad4d5747725d8fde5a54160a25ce5496424 100644
Binary files a/docs/img/83eadbdb8a87de2c9615c02d627bb299.jpg and b/docs/img/83eadbdb8a87de2c9615c02d627bb299.jpg differ
diff --git a/docs/img/840a3b4206930d48fae0f0d4549b87a0.jpg b/docs/img/840a3b4206930d48fae0f0d4549b87a0.jpg
index 15a756c44ce026328f52a567186395614fa71500..6848f2eaa8232fcecf86478a33550e7a65ba3fd5 100644
Binary files a/docs/img/840a3b4206930d48fae0f0d4549b87a0.jpg and b/docs/img/840a3b4206930d48fae0f0d4549b87a0.jpg differ
diff --git a/docs/img/8434c101b75c73a9e1b8dfb89975a2b5.jpg b/docs/img/8434c101b75c73a9e1b8dfb89975a2b5.jpg
index 05f74f3598a00928b409cd4cd862e1c6dd38a389..6b78f5ebeafecbcd84977c89593b1733b4b761ae 100644
Binary files a/docs/img/8434c101b75c73a9e1b8dfb89975a2b5.jpg and b/docs/img/8434c101b75c73a9e1b8dfb89975a2b5.jpg differ
diff --git a/docs/img/85548cb1190d0ad63fbaf33d0966b16d.jpg b/docs/img/85548cb1190d0ad63fbaf33d0966b16d.jpg
index 0767acca694b502015460221d49640a05c4fce8a..0657774684223fe6cd464870411853ddbb0d78ec 100644
Binary files a/docs/img/85548cb1190d0ad63fbaf33d0966b16d.jpg and b/docs/img/85548cb1190d0ad63fbaf33d0966b16d.jpg differ
diff --git a/docs/img/85ba77533a6b6eb1cc44b5bf4aed4e1d.jpg b/docs/img/85ba77533a6b6eb1cc44b5bf4aed4e1d.jpg
index 2693d49c909d24997bb277b44bb37baacd2ede29..687e13e9c8b44db1cf4e316c842a8f31e7a2be13 100644
Binary files a/docs/img/85ba77533a6b6eb1cc44b5bf4aed4e1d.jpg and b/docs/img/85ba77533a6b6eb1cc44b5bf4aed4e1d.jpg differ
diff --git a/docs/img/86032eef9f0a340dfa9834cee96b10d4.jpg b/docs/img/86032eef9f0a340dfa9834cee96b10d4.jpg
index 09649af28723de53aa52a45172e5fafd75ba23d1..f54d7fe59e4925b69f8a3c460717519e98eb90dd 100644
Binary files a/docs/img/86032eef9f0a340dfa9834cee96b10d4.jpg and b/docs/img/86032eef9f0a340dfa9834cee96b10d4.jpg differ
diff --git a/docs/img/863249efe2403afa4fae2f2b6884d3bd.jpg b/docs/img/863249efe2403afa4fae2f2b6884d3bd.jpg
index c6ebc838c2e5edfc637d72c4fdd4a06235f3f2f1..45541bc0b5620bc9d99afaf29132d9952759995c 100644
Binary files a/docs/img/863249efe2403afa4fae2f2b6884d3bd.jpg and b/docs/img/863249efe2403afa4fae2f2b6884d3bd.jpg differ
diff --git a/docs/img/864eda3b3c2fcc6b0bdb53c84c3dafcf.jpg b/docs/img/864eda3b3c2fcc6b0bdb53c84c3dafcf.jpg
index 45438e4b02cd056ead05218302418608c0800cee..937014b964ec166a14999a9a93cdc8275f63c1a1 100644
Binary files a/docs/img/864eda3b3c2fcc6b0bdb53c84c3dafcf.jpg and b/docs/img/864eda3b3c2fcc6b0bdb53c84c3dafcf.jpg differ
diff --git a/docs/img/86f9e6a8b938de1a3aeb9b237b524f0b.jpg b/docs/img/86f9e6a8b938de1a3aeb9b237b524f0b.jpg
index b33b65cce9f923e2124b157b74dbce83c0ce01d2..9eb30a05949ee3275c66ee10b6540234d8c7176d 100644
Binary files a/docs/img/86f9e6a8b938de1a3aeb9b237b524f0b.jpg and b/docs/img/86f9e6a8b938de1a3aeb9b237b524f0b.jpg differ
diff --git a/docs/img/8755b1ae3c5d3d74addc89c78230b77c.jpg b/docs/img/8755b1ae3c5d3d74addc89c78230b77c.jpg
index d2ff01aa7c69a19b3dfe39acae18dd2e79c1be32..dce9e36938ecd848f97257ca6635562e29aae83a 100644
Binary files a/docs/img/8755b1ae3c5d3d74addc89c78230b77c.jpg and b/docs/img/8755b1ae3c5d3d74addc89c78230b77c.jpg differ
diff --git a/docs/img/877dac04cc4c90a1e6b62a3f4c75cb92.jpg b/docs/img/877dac04cc4c90a1e6b62a3f4c75cb92.jpg
index 0e64346fbe41660bb9d3438bcfe2be14f42d72f9..1e2f659903281fdd83068fb6a17163e01817d4bc 100644
Binary files a/docs/img/877dac04cc4c90a1e6b62a3f4c75cb92.jpg and b/docs/img/877dac04cc4c90a1e6b62a3f4c75cb92.jpg differ
diff --git a/docs/img/87b11c84b7ec8551c2edf9a2ef987014.jpg b/docs/img/87b11c84b7ec8551c2edf9a2ef987014.jpg
index 9822f9b57cc41adf7d0d65b85d4e0dcddc9de07c..6a34e09486a110a29186c7598b4a9c0c0780de2b 100644
Binary files a/docs/img/87b11c84b7ec8551c2edf9a2ef987014.jpg and b/docs/img/87b11c84b7ec8551c2edf9a2ef987014.jpg differ
diff --git a/docs/img/894a1105419e7147b562c1576471c410.jpg b/docs/img/894a1105419e7147b562c1576471c410.jpg
index e037c3e1e5322a775f339ced4ccd5a22664a77b8..0983c1b13711001a8a02007d7653323b439bbdfa 100644
Binary files a/docs/img/894a1105419e7147b562c1576471c410.jpg and b/docs/img/894a1105419e7147b562c1576471c410.jpg differ
diff --git a/docs/img/8a713fe4da039acf9c3a4e70b274b60a.jpg b/docs/img/8a713fe4da039acf9c3a4e70b274b60a.jpg
index 1fb3bbd0f1d6a9fb7d93e9f4fc68232c7f7ba506..017bd14bf79ac6f81b4aa85a4e02b12065d2a564 100644
Binary files a/docs/img/8a713fe4da039acf9c3a4e70b274b60a.jpg and b/docs/img/8a713fe4da039acf9c3a4e70b274b60a.jpg differ
diff --git a/docs/img/8ac363c4f6fd1e8ef5a4dd62d236ce9d.jpg b/docs/img/8ac363c4f6fd1e8ef5a4dd62d236ce9d.jpg
index 7f817931979e130d72dad9f91ed82de42b8de3d3..664340c0aca69529cc36992277e7fcdfc1a04a64 100644
Binary files a/docs/img/8ac363c4f6fd1e8ef5a4dd62d236ce9d.jpg and b/docs/img/8ac363c4f6fd1e8ef5a4dd62d236ce9d.jpg differ
diff --git a/docs/img/8b6d8073c4f09f7584b0ff62e5d28d0d.jpg b/docs/img/8b6d8073c4f09f7584b0ff62e5d28d0d.jpg
index 3c3e6754ba0e9d2583afbee5c7a00f5a69bc566b..36a8042619ea2f7710680bd54179eab585a31e4c 100644
Binary files a/docs/img/8b6d8073c4f09f7584b0ff62e5d28d0d.jpg and b/docs/img/8b6d8073c4f09f7584b0ff62e5d28d0d.jpg differ
diff --git a/docs/img/8bd8dc270d4a00dd45e740cdf68fcf23.jpg b/docs/img/8bd8dc270d4a00dd45e740cdf68fcf23.jpg
index 4ebffa0466dc94643aa2a130f60d8215fb815e54..9a7b0e69336070aa7223fedfe7f6e6402062914d 100644
Binary files a/docs/img/8bd8dc270d4a00dd45e740cdf68fcf23.jpg and b/docs/img/8bd8dc270d4a00dd45e740cdf68fcf23.jpg differ
diff --git a/docs/img/8c2ce11c1030543cc9193699a7799daa.jpg b/docs/img/8c2ce11c1030543cc9193699a7799daa.jpg
index 2d995d33b70ef235919da85a93f39d0ebd85f6be..cd2db67b5ff8642e55b93553fac6d5f5d37f1986 100644
Binary files a/docs/img/8c2ce11c1030543cc9193699a7799daa.jpg and b/docs/img/8c2ce11c1030543cc9193699a7799daa.jpg differ
diff --git a/docs/img/8d928f7a998a90772bc3defd036444a8.jpg b/docs/img/8d928f7a998a90772bc3defd036444a8.jpg
index dbe283ecb5ee13de1313dcec0fc71cf65d3fb0ab..61aa40eb83652491cd588d63fbd226cb3c2524f7 100644
Binary files a/docs/img/8d928f7a998a90772bc3defd036444a8.jpg and b/docs/img/8d928f7a998a90772bc3defd036444a8.jpg differ
diff --git a/docs/img/8d98047d8f8f2021d6ee3b3a679f0890.jpg b/docs/img/8d98047d8f8f2021d6ee3b3a679f0890.jpg
index abb6c1bd2d9aaf22ad02d346050915ee5ce267c0..564d6e05f947b95af55d9c057fc96c3587ba539a 100644
Binary files a/docs/img/8d98047d8f8f2021d6ee3b3a679f0890.jpg and b/docs/img/8d98047d8f8f2021d6ee3b3a679f0890.jpg differ
diff --git a/docs/img/8da0c248ec165400ddf3c27f13d9a824.jpg b/docs/img/8da0c248ec165400ddf3c27f13d9a824.jpg
index 51e27089a23725efb543d297f8e9ed9edab0d466..b62fcc316649dd4f22a6ad5b120f906c118ead52 100644
Binary files a/docs/img/8da0c248ec165400ddf3c27f13d9a824.jpg and b/docs/img/8da0c248ec165400ddf3c27f13d9a824.jpg differ
diff --git a/docs/img/8dce33a113d5097dca0507c737d018d4.jpg b/docs/img/8dce33a113d5097dca0507c737d018d4.jpg
index be286f7832368f3d948f5531cf9c2df5df62cc69..41b0a6e8e0f26fed04103ff4050dfb396d0fd354 100644
Binary files a/docs/img/8dce33a113d5097dca0507c737d018d4.jpg and b/docs/img/8dce33a113d5097dca0507c737d018d4.jpg differ
diff --git a/docs/img/9003952e6b318f40954e978ce39dd033.jpg b/docs/img/9003952e6b318f40954e978ce39dd033.jpg
index cf1b3c4d9fbbdf5d8333b03ac4587cbc0ec9451c..51f456f74b70349ce866a78922b5ef367126124b 100644
Binary files a/docs/img/9003952e6b318f40954e978ce39dd033.jpg and b/docs/img/9003952e6b318f40954e978ce39dd033.jpg differ
diff --git a/docs/img/900c725fafc0f5e475a98f52f4ed7d04.jpg b/docs/img/900c725fafc0f5e475a98f52f4ed7d04.jpg
index 2e95306d8203e805fbc9f8513c3c5a8f5fb3f575..81df8922c32cfe041e64b8b36bcd17c31a4145f1 100644
Binary files a/docs/img/900c725fafc0f5e475a98f52f4ed7d04.jpg and b/docs/img/900c725fafc0f5e475a98f52f4ed7d04.jpg differ
diff --git a/docs/img/90def53f341cf365a39051cbb1e17f61.jpg b/docs/img/90def53f341cf365a39051cbb1e17f61.jpg
index 1dc7ae9fd5ec6dfa2f1b29ab41ff21a918bb461e..d000f67ca9a755072f55b49495bf81fc8cf0b15f 100644
Binary files a/docs/img/90def53f341cf365a39051cbb1e17f61.jpg and b/docs/img/90def53f341cf365a39051cbb1e17f61.jpg differ
diff --git a/docs/img/9127880f623ed92358326c68893d22b4.jpg b/docs/img/9127880f623ed92358326c68893d22b4.jpg
index 7aaa99c5eeb37ab862dfd681bb94a27d04571862..7a388dc81e9424c33d7770ff7b395fe9e421260d 100644
Binary files a/docs/img/9127880f623ed92358326c68893d22b4.jpg and b/docs/img/9127880f623ed92358326c68893d22b4.jpg differ
diff --git a/docs/img/9233554272a5e436f6ab85c97a65010c.jpg b/docs/img/9233554272a5e436f6ab85c97a65010c.jpg
index b79ddcdebaf19c711c21b7e7b5d9f2def2dbba6f..05ef986a943036df67fe60757d03dc57559ca927 100644
Binary files a/docs/img/9233554272a5e436f6ab85c97a65010c.jpg and b/docs/img/9233554272a5e436f6ab85c97a65010c.jpg differ
diff --git a/docs/img/9240094a48ef05fa3a34fab7ea6bb093.jpg b/docs/img/9240094a48ef05fa3a34fab7ea6bb093.jpg
index 1263c94c609720f90b9debd218692e26727d3436..81329dde26a7dd6a91eb40af93bbf4d72c0894ea 100644
Binary files a/docs/img/9240094a48ef05fa3a34fab7ea6bb093.jpg and b/docs/img/9240094a48ef05fa3a34fab7ea6bb093.jpg differ
diff --git a/docs/img/92494d907a4bd738426ff755349e4992.jpg b/docs/img/92494d907a4bd738426ff755349e4992.jpg
index d602aaa051bc6c265e36b88ad455015bc42b1998..82bd05dbe4849457eeeab70add75c76cdec166f4 100644
Binary files a/docs/img/92494d907a4bd738426ff755349e4992.jpg and b/docs/img/92494d907a4bd738426ff755349e4992.jpg differ
diff --git a/docs/img/9299602c8a3b49e2a9095ad9ea69f07f.jpg b/docs/img/9299602c8a3b49e2a9095ad9ea69f07f.jpg
index 0809ccdf861869a49de9b3fef781b5433a63e342..293b482c424740b56e6d56f2d6eb04914dee4da6 100644
Binary files a/docs/img/9299602c8a3b49e2a9095ad9ea69f07f.jpg and b/docs/img/9299602c8a3b49e2a9095ad9ea69f07f.jpg differ
diff --git a/docs/img/93d6927062ff93035052ed79d6e8e224.jpg b/docs/img/93d6927062ff93035052ed79d6e8e224.jpg
index f84a13fbc88ef69b9cb1d9c4718f5d6317f6a378..73cfe80f0113c62dde71d30875cde67c091beb5d 100644
Binary files a/docs/img/93d6927062ff93035052ed79d6e8e224.jpg and b/docs/img/93d6927062ff93035052ed79d6e8e224.jpg differ
diff --git a/docs/img/94e545c07037b66573b94c5d43e41899.jpg b/docs/img/94e545c07037b66573b94c5d43e41899.jpg
index 2fa1fa28d9d58d4accb3d4feaca801dea8b4e3ff..6f22e8a41da1dd3c7d66bb49a3f49ea5c7bdde25 100644
Binary files a/docs/img/94e545c07037b66573b94c5d43e41899.jpg and b/docs/img/94e545c07037b66573b94c5d43e41899.jpg differ
diff --git a/docs/img/95ca0b5950c77a49aceb9f22e148ba9c.jpg b/docs/img/95ca0b5950c77a49aceb9f22e148ba9c.jpg
index eb2721c58e64058676f9f43fbfaf4056ed6f835b..f045b3a5b8a646a0c5461e05e2f059fb7dd6b432 100644
Binary files a/docs/img/95ca0b5950c77a49aceb9f22e148ba9c.jpg and b/docs/img/95ca0b5950c77a49aceb9f22e148ba9c.jpg differ
diff --git a/docs/img/96a33f32e85dcced62c9fc4ff063fe3d.jpg b/docs/img/96a33f32e85dcced62c9fc4ff063fe3d.jpg
index 1da0ae2f3edd64d9e94562894d8bc93f7b17abed..8163b61e0411b26f72dd7f4bf7af635794b96237 100644
Binary files a/docs/img/96a33f32e85dcced62c9fc4ff063fe3d.jpg and b/docs/img/96a33f32e85dcced62c9fc4ff063fe3d.jpg differ
diff --git a/docs/img/96cf02373c746bde1b58beb44b2f25c8.jpg b/docs/img/96cf02373c746bde1b58beb44b2f25c8.jpg
index 465a8eff8546c30cbb61d73ecdb002bcdd2d891b..2542ff3ffc5fa2bc65bcf982e5f5fb9b766cc3a2 100644
Binary files a/docs/img/96cf02373c746bde1b58beb44b2f25c8.jpg and b/docs/img/96cf02373c746bde1b58beb44b2f25c8.jpg differ
diff --git a/docs/img/970cf8333ec7a6b8eec115254ad34265.jpg b/docs/img/970cf8333ec7a6b8eec115254ad34265.jpg
index 36d82fdb179e2ef36a33d8e19273623f88c66cd5..49a0eaa4cb72105c069579954d57557948c4856c 100644
Binary files a/docs/img/970cf8333ec7a6b8eec115254ad34265.jpg and b/docs/img/970cf8333ec7a6b8eec115254ad34265.jpg differ
diff --git a/docs/img/975109fd603a63c12f7e0db1461d265e.jpg b/docs/img/975109fd603a63c12f7e0db1461d265e.jpg
index 4ca9f6222350aa1d63bbd61749be5435a7c54a22..1a6f70df5259991c757fbffe5ea049bf06b5a074 100644
Binary files a/docs/img/975109fd603a63c12f7e0db1461d265e.jpg and b/docs/img/975109fd603a63c12f7e0db1461d265e.jpg differ
diff --git a/docs/img/97751f7296df86f26e8eb70275541082.jpg b/docs/img/97751f7296df86f26e8eb70275541082.jpg
index c0a42f14117ff55751c1c0ae3c1aad69c3e610d4..34f368e0143fda50bbf6a84e0e77a0e5814d08f2 100644
Binary files a/docs/img/97751f7296df86f26e8eb70275541082.jpg and b/docs/img/97751f7296df86f26e8eb70275541082.jpg differ
diff --git a/docs/img/9788e48ccbd895c1e539c7de634be115.jpg b/docs/img/9788e48ccbd895c1e539c7de634be115.jpg
index b28dd60a2c2208827e44d6a683de50d5604a5adf..c28f167a930acb09e5beef86ebbbfc3e88d03c32 100644
Binary files a/docs/img/9788e48ccbd895c1e539c7de634be115.jpg and b/docs/img/9788e48ccbd895c1e539c7de634be115.jpg differ
diff --git a/docs/img/98101f3cd02be71d90f9d777eca5876f.jpg b/docs/img/98101f3cd02be71d90f9d777eca5876f.jpg
index 4964fc291904b53efbba13077e8add3eae2fc0eb..08f687ec26bf2358a33a4a3b12aaf62b450e2946 100644
Binary files a/docs/img/98101f3cd02be71d90f9d777eca5876f.jpg and b/docs/img/98101f3cd02be71d90f9d777eca5876f.jpg differ
diff --git a/docs/img/98715db5f9ee15781a7c49624ec8dafc.jpg b/docs/img/98715db5f9ee15781a7c49624ec8dafc.jpg
index bd99f76b8981b15b0fdd80c39f5c40d79f06db7a..33100e3394677f394f7263d55e30b20997962f40 100644
Binary files a/docs/img/98715db5f9ee15781a7c49624ec8dafc.jpg and b/docs/img/98715db5f9ee15781a7c49624ec8dafc.jpg differ
diff --git a/docs/img/98bd4d30d5719cd930a50603d08aa30e.jpg b/docs/img/98bd4d30d5719cd930a50603d08aa30e.jpg
index f7b5afcb0de2105558e0df880b1d51086e54f50e..3218ec063b1ba6a7a9a0c4b540f6dfb45c8b9ed8 100644
Binary files a/docs/img/98bd4d30d5719cd930a50603d08aa30e.jpg and b/docs/img/98bd4d30d5719cd930a50603d08aa30e.jpg differ
diff --git a/docs/img/98c1e58e7427e940294084d2b4582ac8.jpg b/docs/img/98c1e58e7427e940294084d2b4582ac8.jpg
index ecfee49ff880bda5f9496bc03e432400bbbe22ec..b98958efe89e964b3de4880f86de2604d491ac82 100644
Binary files a/docs/img/98c1e58e7427e940294084d2b4582ac8.jpg and b/docs/img/98c1e58e7427e940294084d2b4582ac8.jpg differ
diff --git a/docs/img/997c424ce3337d1c47dea839b9dbdcae.jpg b/docs/img/997c424ce3337d1c47dea839b9dbdcae.jpg
index fd98a67aaa4e2f21de13ce758a4490cdbb770785..5941bcd6f08bc777054ef9c3502af33cb371b2ba 100644
Binary files a/docs/img/997c424ce3337d1c47dea839b9dbdcae.jpg and b/docs/img/997c424ce3337d1c47dea839b9dbdcae.jpg differ
diff --git a/docs/img/99b1873131479cf9f24377991b06cbdb.jpg b/docs/img/99b1873131479cf9f24377991b06cbdb.jpg
index e770bc2899684d1139b4df231c34f0b05643c75b..5caf835d7cf75b78e5dab8b9833e90f12dd1c374 100644
Binary files a/docs/img/99b1873131479cf9f24377991b06cbdb.jpg and b/docs/img/99b1873131479cf9f24377991b06cbdb.jpg differ
diff --git a/docs/img/9a5bb2b7fbd94af1db1d911dfbec1f7c.jpg b/docs/img/9a5bb2b7fbd94af1db1d911dfbec1f7c.jpg
index 66b2a7be67d58c2958903b045279522373334fdd..9dda724fbf621ce7b6bde7c8808f7052ff26cc37 100644
Binary files a/docs/img/9a5bb2b7fbd94af1db1d911dfbec1f7c.jpg and b/docs/img/9a5bb2b7fbd94af1db1d911dfbec1f7c.jpg differ
diff --git a/docs/img/9c01b014a76320a976b7d86173685435.jpg b/docs/img/9c01b014a76320a976b7d86173685435.jpg
index c4b19162842b678b62ccbb4122883a13facb4e7f..020e2b1410baad8dd2f939c33cb53d95855b5e11 100644
Binary files a/docs/img/9c01b014a76320a976b7d86173685435.jpg and b/docs/img/9c01b014a76320a976b7d86173685435.jpg differ
diff --git a/docs/img/9cd2a9e38e483ecbe02a7f0d0b67aac3.jpg b/docs/img/9cd2a9e38e483ecbe02a7f0d0b67aac3.jpg
index d49fadd4e7c12168e7faf0f7058f73e552683fd6..ee40be5575c996f0f6734eee5f377cde3b367a7e 100644
Binary files a/docs/img/9cd2a9e38e483ecbe02a7f0d0b67aac3.jpg and b/docs/img/9cd2a9e38e483ecbe02a7f0d0b67aac3.jpg differ
diff --git a/docs/img/9d1addc98b6a35ef0376219c56e7b7fd.jpg b/docs/img/9d1addc98b6a35ef0376219c56e7b7fd.jpg
index 8d16f850845f466608271b9e6b1c180e97a47319..9ef70820ce098b02efe95fd75d8ffa1ea169aa48 100644
Binary files a/docs/img/9d1addc98b6a35ef0376219c56e7b7fd.jpg and b/docs/img/9d1addc98b6a35ef0376219c56e7b7fd.jpg differ
diff --git a/docs/img/9d51f61931446dc9eccd2013f7666eb9.jpg b/docs/img/9d51f61931446dc9eccd2013f7666eb9.jpg
index 538c366b67dbabd0ea300c701957d19af8d7cc70..1fd6c844281fe159bdf23bd8c89051d98bfd2a74 100644
Binary files a/docs/img/9d51f61931446dc9eccd2013f7666eb9.jpg and b/docs/img/9d51f61931446dc9eccd2013f7666eb9.jpg differ
diff --git a/docs/img/9dee4b50342228bbf515be6a3e60b0e8.jpg b/docs/img/9dee4b50342228bbf515be6a3e60b0e8.jpg
index 15bc4971e27767fb14c78c2316142ffcd8970166..b46c6e5ffdc02334fe5ef93aaf3d39abcdcb5969 100644
Binary files a/docs/img/9dee4b50342228bbf515be6a3e60b0e8.jpg and b/docs/img/9dee4b50342228bbf515be6a3e60b0e8.jpg differ
diff --git a/docs/img/a0e79dac9add2a97da1c95241a6122ab.jpg b/docs/img/a0e79dac9add2a97da1c95241a6122ab.jpg
index 3a47ec2d0eb9116259bdcd92328c828ceae4dfda..7fe5916ef5b9d3ffa4c062ddd19e535cae918755 100644
Binary files a/docs/img/a0e79dac9add2a97da1c95241a6122ab.jpg and b/docs/img/a0e79dac9add2a97da1c95241a6122ab.jpg differ
diff --git a/docs/img/a0fdf8b2d2a0683c418616d0260d3364.jpg b/docs/img/a0fdf8b2d2a0683c418616d0260d3364.jpg
index ade2252c6e7bc771f910fb872bc277d322234363..9595d6d686e6839996313c69546763c3a4876c87 100644
Binary files a/docs/img/a0fdf8b2d2a0683c418616d0260d3364.jpg and b/docs/img/a0fdf8b2d2a0683c418616d0260d3364.jpg differ
diff --git a/docs/img/a1749fc5a5cf2bb2e4b3c4c741c1b8f7.jpg b/docs/img/a1749fc5a5cf2bb2e4b3c4c741c1b8f7.jpg
index 46ef8aa58477198a1d2f25ec2bdacc9e29be601d..db331eeca183d86ebafecb4da91456f88fadf5fa 100644
Binary files a/docs/img/a1749fc5a5cf2bb2e4b3c4c741c1b8f7.jpg and b/docs/img/a1749fc5a5cf2bb2e4b3c4c741c1b8f7.jpg differ
diff --git a/docs/img/a1fee05f41f1d43a9d9a6f1b9c301e0d.jpg b/docs/img/a1fee05f41f1d43a9d9a6f1b9c301e0d.jpg
index 02672fb30c4ca683ad97c2c8348222da2b863a67..2cf5d8e83f94e34d6d2934b1e53004d323400a70 100644
Binary files a/docs/img/a1fee05f41f1d43a9d9a6f1b9c301e0d.jpg and b/docs/img/a1fee05f41f1d43a9d9a6f1b9c301e0d.jpg differ
diff --git a/docs/img/a276fb7452f1f31a95ec2ec9d810fa20.jpg b/docs/img/a276fb7452f1f31a95ec2ec9d810fa20.jpg
index 78c5c0ce7b2712272ac71be53c3e3db79944939e..c5a0576eac8d24a5425d1646f727ad9e9b25fc71 100644
Binary files a/docs/img/a276fb7452f1f31a95ec2ec9d810fa20.jpg and b/docs/img/a276fb7452f1f31a95ec2ec9d810fa20.jpg differ
diff --git a/docs/img/a2d8b9c6867b1006b56e5508d5472c86.jpg b/docs/img/a2d8b9c6867b1006b56e5508d5472c86.jpg
index 97f593ee04883eec50df211bffa2a98a3ab349ab..6d809e10f9eb1d6100cd2d3707a6f719e8376557 100644
Binary files a/docs/img/a2d8b9c6867b1006b56e5508d5472c86.jpg and b/docs/img/a2d8b9c6867b1006b56e5508d5472c86.jpg differ
diff --git a/docs/img/a314683a7f14a4e8a552aca52002c9b5.jpg b/docs/img/a314683a7f14a4e8a552aca52002c9b5.jpg
index 80886a658482b3fc62b74a450e394b74cb1dbf52..232797df41f61759c96394104c320f8ddc4bfd75 100644
Binary files a/docs/img/a314683a7f14a4e8a552aca52002c9b5.jpg and b/docs/img/a314683a7f14a4e8a552aca52002c9b5.jpg differ
diff --git a/docs/img/a3dadd3fc0e3dcd7aba22164979fb558.jpg b/docs/img/a3dadd3fc0e3dcd7aba22164979fb558.jpg
index fcdd5e78f615a62e148768bd201915b4b9c1d669..ac4e0ec249de1438d8e381d1dd568d27bfd39dfc 100644
Binary files a/docs/img/a3dadd3fc0e3dcd7aba22164979fb558.jpg and b/docs/img/a3dadd3fc0e3dcd7aba22164979fb558.jpg differ
diff --git a/docs/img/a450fb151022958086f1733274e4f66b.jpg b/docs/img/a450fb151022958086f1733274e4f66b.jpg
index 13425304374fb348d6460a508d59b7d6730e2311..26cb781ba746d0e3bb7f8c6a16c3c603d07227eb 100644
Binary files a/docs/img/a450fb151022958086f1733274e4f66b.jpg and b/docs/img/a450fb151022958086f1733274e4f66b.jpg differ
diff --git a/docs/img/a5b1731f0fcd91611390c0bb109cfe64.jpg b/docs/img/a5b1731f0fcd91611390c0bb109cfe64.jpg
index 41b78f31ec400d36d0c800e0964a65a0075fdb97..81b1374e659f13c1f843261a0e1405773d401b5d 100644
Binary files a/docs/img/a5b1731f0fcd91611390c0bb109cfe64.jpg and b/docs/img/a5b1731f0fcd91611390c0bb109cfe64.jpg differ
diff --git a/docs/img/a60c5e81f1e6cf2aeb7d9790851ca60d.jpg b/docs/img/a60c5e81f1e6cf2aeb7d9790851ca60d.jpg
index 15e4fc5b8e202065d95c7929caec32d603c7eb9f..ea09b5e02a1cb960b57814227b3a9f6c321bedb2 100644
Binary files a/docs/img/a60c5e81f1e6cf2aeb7d9790851ca60d.jpg and b/docs/img/a60c5e81f1e6cf2aeb7d9790851ca60d.jpg differ
diff --git a/docs/img/a68cecbc7d2dbcff50e7244cafe440ec.jpg b/docs/img/a68cecbc7d2dbcff50e7244cafe440ec.jpg
index 53d9452c8cb0518bd43da7fc7eabe738acb65f00..b0bf83788f4354dac740ee84c2c1fbee6629e437 100644
Binary files a/docs/img/a68cecbc7d2dbcff50e7244cafe440ec.jpg and b/docs/img/a68cecbc7d2dbcff50e7244cafe440ec.jpg differ
diff --git a/docs/img/a6d422236da60cc9bd01d12080b60453.jpg b/docs/img/a6d422236da60cc9bd01d12080b60453.jpg
index 5901ce268d8d698934ab1ed0341b842bae44d83c..05f316f7eb958f8994e9436bf030949581f3c66f 100644
Binary files a/docs/img/a6d422236da60cc9bd01d12080b60453.jpg and b/docs/img/a6d422236da60cc9bd01d12080b60453.jpg differ
diff --git a/docs/img/a6f00f18e0a24fee984824847391d181.jpg b/docs/img/a6f00f18e0a24fee984824847391d181.jpg
index e576594865996193cb61964a1c93839b1ed42d12..0f79548454a5edd080353a97de97da12818f81d6 100644
Binary files a/docs/img/a6f00f18e0a24fee984824847391d181.jpg and b/docs/img/a6f00f18e0a24fee984824847391d181.jpg differ
diff --git a/docs/img/a7da372ba56ceec7b8b9e01f418bb1e3.jpg b/docs/img/a7da372ba56ceec7b8b9e01f418bb1e3.jpg
index 923c34e3c5f9d490a75a25070f8059c250b224ef..cff841fb33844992fa6d6af0827397de760efd39 100644
Binary files a/docs/img/a7da372ba56ceec7b8b9e01f418bb1e3.jpg and b/docs/img/a7da372ba56ceec7b8b9e01f418bb1e3.jpg differ
diff --git a/docs/img/a7e016f2ed7f61c499c7f56b2f3d8350.jpg b/docs/img/a7e016f2ed7f61c499c7f56b2f3d8350.jpg
index 1f72540df0f4bcd2207fafc0d3a9c60ebe28470d..894a1ff5f15fe9415250cd8ceb2c75f184501648 100644
Binary files a/docs/img/a7e016f2ed7f61c499c7f56b2f3d8350.jpg and b/docs/img/a7e016f2ed7f61c499c7f56b2f3d8350.jpg differ
diff --git a/docs/img/a8307f7ba7809b63c523168fde9e9379.jpg b/docs/img/a8307f7ba7809b63c523168fde9e9379.jpg
index 37fb05ea62950c3ed0bc3d98eed6db76f2c41398..30f6c304c28b5346c4c910a37eb037b27abf3bd6 100644
Binary files a/docs/img/a8307f7ba7809b63c523168fde9e9379.jpg and b/docs/img/a8307f7ba7809b63c523168fde9e9379.jpg differ
diff --git a/docs/img/a84563a49e5578ddeff33795280887f1.jpg b/docs/img/a84563a49e5578ddeff33795280887f1.jpg
index 9bf5bb13657f3c33adacd048dfbbc12b6d16fb01..a39cad2be14f9ef40a737e79f0f76155bf430cc3 100644
Binary files a/docs/img/a84563a49e5578ddeff33795280887f1.jpg and b/docs/img/a84563a49e5578ddeff33795280887f1.jpg differ
diff --git a/docs/img/a89db144a2f030e70603b92ba8728326.jpg b/docs/img/a89db144a2f030e70603b92ba8728326.jpg
index ca7abb88dd54c1dd71dd0a1004e459e902050125..aceb1fea3f980f74c74f0c68ac4e2ed4327cf1f2 100644
Binary files a/docs/img/a89db144a2f030e70603b92ba8728326.jpg and b/docs/img/a89db144a2f030e70603b92ba8728326.jpg differ
diff --git a/docs/img/a8ea9b9779973bf3274cc3f154bb6029.jpg b/docs/img/a8ea9b9779973bf3274cc3f154bb6029.jpg
index 9f778932b6334c845f3a922c6658e55b466d1b72..f0d4a9810827f94114c30d80f04912d49ea6b96d 100644
Binary files a/docs/img/a8ea9b9779973bf3274cc3f154bb6029.jpg and b/docs/img/a8ea9b9779973bf3274cc3f154bb6029.jpg differ
diff --git a/docs/img/a92991eef59fbedc422f330f51697fe4.jpg b/docs/img/a92991eef59fbedc422f330f51697fe4.jpg
index 9d49a5a0c5a09e2c6952b1d55fb76e57fddff7a3..05be758270308fc729669975e8254c1be798ca10 100644
Binary files a/docs/img/a92991eef59fbedc422f330f51697fe4.jpg and b/docs/img/a92991eef59fbedc422f330f51697fe4.jpg differ
diff --git a/docs/img/a94aa08c017f4688743921ccc9d8a4d0.jpg b/docs/img/a94aa08c017f4688743921ccc9d8a4d0.jpg
index d6bda6d89205d69063f9c613202039404765207f..860c25c368cc35d439716a72da2ce4c3cb4f4039 100644
Binary files a/docs/img/a94aa08c017f4688743921ccc9d8a4d0.jpg and b/docs/img/a94aa08c017f4688743921ccc9d8a4d0.jpg differ
diff --git a/docs/img/a97ae4389fc8bc946eb62e06c173b3e3.jpg b/docs/img/a97ae4389fc8bc946eb62e06c173b3e3.jpg
index 5ce7dba740727d55364f5cefbc539334a7bae865..b6f565d7b2133387e1b3bb51e9a442915211f75e 100644
Binary files a/docs/img/a97ae4389fc8bc946eb62e06c173b3e3.jpg and b/docs/img/a97ae4389fc8bc946eb62e06c173b3e3.jpg differ
diff --git a/docs/img/a99d865fc52a457633d59e779fb194f1.jpg b/docs/img/a99d865fc52a457633d59e779fb194f1.jpg
index 267e64e938da9c46cc181a7b1e74cd087751663a..e88739667c8df4e21b2055ad15785ef4a6af3698 100644
Binary files a/docs/img/a99d865fc52a457633d59e779fb194f1.jpg and b/docs/img/a99d865fc52a457633d59e779fb194f1.jpg differ
diff --git a/docs/img/a9e30b276189c5c26d3a9959798a84a6.jpg b/docs/img/a9e30b276189c5c26d3a9959798a84a6.jpg
index c1961f576a7fe4647e105acf55bf69dad739d279..be7ad52eafcde82ee1126589298612c3e00332d3 100644
Binary files a/docs/img/a9e30b276189c5c26d3a9959798a84a6.jpg and b/docs/img/a9e30b276189c5c26d3a9959798a84a6.jpg differ
diff --git a/docs/img/a9e939280daed8ec0712c8e6e6be78fb.jpg b/docs/img/a9e939280daed8ec0712c8e6e6be78fb.jpg
index bb7a8246e8012d461489e2f0ad49d8c5ad05211d..df5ceb30f3d8d3a48a7f954520b5b8be5683191e 100644
Binary files a/docs/img/a9e939280daed8ec0712c8e6e6be78fb.jpg and b/docs/img/a9e939280daed8ec0712c8e6e6be78fb.jpg differ
diff --git a/docs/img/aeaafccce597b72105feb6cf712b0ca2.jpg b/docs/img/aeaafccce597b72105feb6cf712b0ca2.jpg
index 5912354e547d6d4c47746369a246295b226c3041..258999eae47b65e4eff4eb4808648c1f4db201d4 100644
Binary files a/docs/img/aeaafccce597b72105feb6cf712b0ca2.jpg and b/docs/img/aeaafccce597b72105feb6cf712b0ca2.jpg differ
diff --git a/docs/img/af2ff74dd015731938ea83ab029d73e7.jpg b/docs/img/af2ff74dd015731938ea83ab029d73e7.jpg
index f337d825ddaa8399a16771e48bf7f88faa4d6e52..f218916e835d2fb2ed6f2377f930327cea4cd9e2 100644
Binary files a/docs/img/af2ff74dd015731938ea83ab029d73e7.jpg and b/docs/img/af2ff74dd015731938ea83ab029d73e7.jpg differ
diff --git a/docs/img/afab9a9586d23bfd75307cf6ba8af4e7.jpg b/docs/img/afab9a9586d23bfd75307cf6ba8af4e7.jpg
index 9b06c54b4a32a256563546fce6944b0d7abe7aaf..8a121e6aede0646fc59f5b1f43bb7d5a13dfd7b7 100644
Binary files a/docs/img/afab9a9586d23bfd75307cf6ba8af4e7.jpg and b/docs/img/afab9a9586d23bfd75307cf6ba8af4e7.jpg differ
diff --git a/docs/img/afea667bcdb80a09c24a25f5d5d0bd82.jpg b/docs/img/afea667bcdb80a09c24a25f5d5d0bd82.jpg
index 8371fcd0c0196b58535eb57ecc74848773df02d6..c90c74025ba3f0d3e513d99e55074bd4c721edfb 100644
Binary files a/docs/img/afea667bcdb80a09c24a25f5d5d0bd82.jpg and b/docs/img/afea667bcdb80a09c24a25f5d5d0bd82.jpg differ
diff --git a/docs/img/b03c6dbcd2d2f71c2e5eafa99b46d96b.jpg b/docs/img/b03c6dbcd2d2f71c2e5eafa99b46d96b.jpg
index 00341098ef231c5e50a55cbe55ebde24df395e9e..c7bf98e589ee3a3033984a1f6743f72ca7645208 100644
Binary files a/docs/img/b03c6dbcd2d2f71c2e5eafa99b46d96b.jpg and b/docs/img/b03c6dbcd2d2f71c2e5eafa99b46d96b.jpg differ
diff --git a/docs/img/b065f9278c97b242c9a517aa98c090fa.jpg b/docs/img/b065f9278c97b242c9a517aa98c090fa.jpg
index 449de22fbad506f9b2854523da39b4d83a63ffa3..19e1a1a759feea7b664ee62896d6ed23c0977eab 100644
Binary files a/docs/img/b065f9278c97b242c9a517aa98c090fa.jpg and b/docs/img/b065f9278c97b242c9a517aa98c090fa.jpg differ
diff --git a/docs/img/b0fa1a625cc563e5a13abc41fa080b59.jpg b/docs/img/b0fa1a625cc563e5a13abc41fa080b59.jpg
index c9ebea0bb9c2c95444a2c85f565a3860f69dd615..5889708a1418a2bfcfcdb9099da705305c18fa30 100644
Binary files a/docs/img/b0fa1a625cc563e5a13abc41fa080b59.jpg and b/docs/img/b0fa1a625cc563e5a13abc41fa080b59.jpg differ
diff --git a/docs/img/b166f746ed213b5ac4e495320f99b0fd.jpg b/docs/img/b166f746ed213b5ac4e495320f99b0fd.jpg
index ffc120482da59da7a170b90a261cc19401406d06..d7efe6d7a14e66a77d6e4839749428ba5816d592 100644
Binary files a/docs/img/b166f746ed213b5ac4e495320f99b0fd.jpg and b/docs/img/b166f746ed213b5ac4e495320f99b0fd.jpg differ
diff --git a/docs/img/b18371fc898cfe7904a1fc240f6fe4e8.jpg b/docs/img/b18371fc898cfe7904a1fc240f6fe4e8.jpg
index 9e0d1241cf9c9024c0b979145848e0d31c7ac6a7..a8817fe3b01a998cd24fbb67e9e37291b4e07e26 100644
Binary files a/docs/img/b18371fc898cfe7904a1fc240f6fe4e8.jpg and b/docs/img/b18371fc898cfe7904a1fc240f6fe4e8.jpg differ
diff --git a/docs/img/b269cdc188b02e86196c919d1bd87402.jpg b/docs/img/b269cdc188b02e86196c919d1bd87402.jpg
index 954c4350e49ed332c7d52eedc0b932278560a265..e8c9c929bce8a4b63df392f9f3ed0cd7e1a9f0e5 100644
Binary files a/docs/img/b269cdc188b02e86196c919d1bd87402.jpg and b/docs/img/b269cdc188b02e86196c919d1bd87402.jpg differ
diff --git a/docs/img/b2bb1b6b97e36328f09b122b92dd52bf.jpg b/docs/img/b2bb1b6b97e36328f09b122b92dd52bf.jpg
index a0bf4a990bbaea07101300c37e5e5465ef447236..6ca33c81f6c6717c5717f28018721fec6614633c 100644
Binary files a/docs/img/b2bb1b6b97e36328f09b122b92dd52bf.jpg and b/docs/img/b2bb1b6b97e36328f09b122b92dd52bf.jpg differ
diff --git a/docs/img/b2cde7454aa9f4cc76186d93a3cab208.jpg b/docs/img/b2cde7454aa9f4cc76186d93a3cab208.jpg
index be0352acf4afc4fbd8b8b8af643bdbf56cd47fb6..6884dc6e2ebb3470222f7eca0e183c0bbf49c19a 100644
Binary files a/docs/img/b2cde7454aa9f4cc76186d93a3cab208.jpg and b/docs/img/b2cde7454aa9f4cc76186d93a3cab208.jpg differ
diff --git a/docs/img/b51b0bae21d924ef1f739aabdd811e31.jpg b/docs/img/b51b0bae21d924ef1f739aabdd811e31.jpg
index aa0152bcd8c0630a6e5f9da9ad0a916d8a51afb6..fe87b8b155095ed85a30bc75bc4f7c8a98b9d590 100644
Binary files a/docs/img/b51b0bae21d924ef1f739aabdd811e31.jpg and b/docs/img/b51b0bae21d924ef1f739aabdd811e31.jpg differ
diff --git a/docs/img/b6422e805157f85b21973dd3266dcb3f.jpg b/docs/img/b6422e805157f85b21973dd3266dcb3f.jpg
index 5994e300cc90d272dd7d00e8f868f92df3bd8e22..e809e46d31319d21274645eb0bc7299fa5b6bb02 100644
Binary files a/docs/img/b6422e805157f85b21973dd3266dcb3f.jpg and b/docs/img/b6422e805157f85b21973dd3266dcb3f.jpg differ
diff --git a/docs/img/b6895c87c4fa5a7fa1dc151dc3e5b385.jpg b/docs/img/b6895c87c4fa5a7fa1dc151dc3e5b385.jpg
index 300bbebcd433ef3a775460f364393fac696d3227..7197661fd26faa02ef5b559fba0c7345ca34b288 100644
Binary files a/docs/img/b6895c87c4fa5a7fa1dc151dc3e5b385.jpg and b/docs/img/b6895c87c4fa5a7fa1dc151dc3e5b385.jpg differ
diff --git a/docs/img/b68bba1b9871f75b818870d08a9e3523.jpg b/docs/img/b68bba1b9871f75b818870d08a9e3523.jpg
index 7935cf13638d3924339dba5141416bb31ca8e3a3..10861f9b2b39eab8950f0b566afabc49d4318e60 100644
Binary files a/docs/img/b68bba1b9871f75b818870d08a9e3523.jpg and b/docs/img/b68bba1b9871f75b818870d08a9e3523.jpg differ
diff --git a/docs/img/b6ac2dda5753920442b42aa6c3f8746c.jpg b/docs/img/b6ac2dda5753920442b42aa6c3f8746c.jpg
index 6a5732a1cc93bd40a1a00e68f65d99f3798b5e36..03d5d45cd9b32ac542afefb07ed512cf006ee8b9 100644
Binary files a/docs/img/b6ac2dda5753920442b42aa6c3f8746c.jpg and b/docs/img/b6ac2dda5753920442b42aa6c3f8746c.jpg differ
diff --git a/docs/img/b7d4fc0e5dd7fd0d56b558fc3316841a.jpg b/docs/img/b7d4fc0e5dd7fd0d56b558fc3316841a.jpg
index 0e46c354a2e15ac168bcacdf8d60a69b95b816d2..e799d06eff9daf7bc77c3f27779cf29ceb725ad7 100644
Binary files a/docs/img/b7d4fc0e5dd7fd0d56b558fc3316841a.jpg and b/docs/img/b7d4fc0e5dd7fd0d56b558fc3316841a.jpg differ
diff --git a/docs/img/b7df4cf62c681ea39bd145bdb740bc81.jpg b/docs/img/b7df4cf62c681ea39bd145bdb740bc81.jpg
index 3e9c004d5e6091d463eea2c240b9ff07b9866a67..97315666fe615fdd5755404875b978cb2b94f1dd 100644
Binary files a/docs/img/b7df4cf62c681ea39bd145bdb740bc81.jpg and b/docs/img/b7df4cf62c681ea39bd145bdb740bc81.jpg differ
diff --git a/docs/img/b7f6772294dcf0d9b7035314c114c54b.jpg b/docs/img/b7f6772294dcf0d9b7035314c114c54b.jpg
index 6dbee3b745578c0adc57585ef1a74de532d70383..920d50cd12f90a4d3f3779d09120f53fe820ff09 100644
Binary files a/docs/img/b7f6772294dcf0d9b7035314c114c54b.jpg and b/docs/img/b7f6772294dcf0d9b7035314c114c54b.jpg differ
diff --git a/docs/img/b7fc9d043ac684d49db7216d04477181.jpg b/docs/img/b7fc9d043ac684d49db7216d04477181.jpg
index 47193b0e44edb5d096059300729e56746fbd559b..6c7a12871de76eb3f2c138786435b68ed51e0cf1 100644
Binary files a/docs/img/b7fc9d043ac684d49db7216d04477181.jpg and b/docs/img/b7fc9d043ac684d49db7216d04477181.jpg differ
diff --git a/docs/img/b8699392ad92687d3ac264d00b00ec9b.jpg b/docs/img/b8699392ad92687d3ac264d00b00ec9b.jpg
index 79543cb59a750375d1ca3fc8a875d66074cc7766..eb48485072b715672bfa1c5213cf70a304133d0b 100644
Binary files a/docs/img/b8699392ad92687d3ac264d00b00ec9b.jpg and b/docs/img/b8699392ad92687d3ac264d00b00ec9b.jpg differ
diff --git a/docs/img/b8b693d813ee5778cb52a3f3f634fc11.jpg b/docs/img/b8b693d813ee5778cb52a3f3f634fc11.jpg
index 98cc23e27789efa33c389407d0fd4cc4ed0eb566..f6d478ae45f38fc2fda412971d52c5b5e22e6af3 100644
Binary files a/docs/img/b8b693d813ee5778cb52a3f3f634fc11.jpg and b/docs/img/b8b693d813ee5778cb52a3f3f634fc11.jpg differ
diff --git a/docs/img/b9161032a5adb7fb6694c185246664aa.jpg b/docs/img/b9161032a5adb7fb6694c185246664aa.jpg
index e80b790d7b494a150a32987e87ff700ffa51642c..82e0c22950a72bc20da74e992e97a6d8e1580789 100644
Binary files a/docs/img/b9161032a5adb7fb6694c185246664aa.jpg and b/docs/img/b9161032a5adb7fb6694c185246664aa.jpg differ
diff --git a/docs/img/b952dc05bdc898a2f578e437c1d49b9a.jpg b/docs/img/b952dc05bdc898a2f578e437c1d49b9a.jpg
index fe14db21fedce2d9f37a5a631153aead7439a259..d81d44814a3a3b84b9a1a97b6efc103ff070e84f 100644
Binary files a/docs/img/b952dc05bdc898a2f578e437c1d49b9a.jpg and b/docs/img/b952dc05bdc898a2f578e437c1d49b9a.jpg differ
diff --git a/docs/img/b9a7a625477fd6d6c167844f557d14dd.jpg b/docs/img/b9a7a625477fd6d6c167844f557d14dd.jpg
index 7d05ee22db875ee8d01665bc73fc2e823e1ead40..0097730ba12d2d6489e0b00b9b3590050454dc77 100644
Binary files a/docs/img/b9a7a625477fd6d6c167844f557d14dd.jpg and b/docs/img/b9a7a625477fd6d6c167844f557d14dd.jpg differ
diff --git a/docs/img/b9d0e6d4b79fc2df3e1a1edcdd37e5ec.jpg b/docs/img/b9d0e6d4b79fc2df3e1a1edcdd37e5ec.jpg
index 367392ef61e4a3f5752ecc11781d5eea067ff4c1..a5825a298f0179d77157c5f95cd68efd4a9b87e3 100644
Binary files a/docs/img/b9d0e6d4b79fc2df3e1a1edcdd37e5ec.jpg and b/docs/img/b9d0e6d4b79fc2df3e1a1edcdd37e5ec.jpg differ
diff --git a/docs/img/ba3b8a1ba98a18cbe9f37192b2338932.jpg b/docs/img/ba3b8a1ba98a18cbe9f37192b2338932.jpg
index 533643d1b4cb156a5042e7f56347f1e5a6b215b0..3b6a0427b506179f73384a3d110d12f7c5d2e04b 100644
Binary files a/docs/img/ba3b8a1ba98a18cbe9f37192b2338932.jpg and b/docs/img/ba3b8a1ba98a18cbe9f37192b2338932.jpg differ
diff --git a/docs/img/bb509cea6c5bc79011b7aae3d06f02af.jpg b/docs/img/bb509cea6c5bc79011b7aae3d06f02af.jpg
index aedabc9134ee42b17742677b74d35b6fb567579e..1d90363ecadca24af3ea7814fedd549118c39184 100644
Binary files a/docs/img/bb509cea6c5bc79011b7aae3d06f02af.jpg and b/docs/img/bb509cea6c5bc79011b7aae3d06f02af.jpg differ
diff --git a/docs/img/bc461a32c1b91013ce1dbb7e3a78d94c.jpg b/docs/img/bc461a32c1b91013ce1dbb7e3a78d94c.jpg
index 82cc8222d5486c8bca69fddfd1ab10c7dfb72966..9e9ad06444415af96720f999856379ae48e531bf 100644
Binary files a/docs/img/bc461a32c1b91013ce1dbb7e3a78d94c.jpg and b/docs/img/bc461a32c1b91013ce1dbb7e3a78d94c.jpg differ
diff --git a/docs/img/bc93752a335d8985139584678e19a2b9.jpg b/docs/img/bc93752a335d8985139584678e19a2b9.jpg
index bf105ffcc8feeafea1bb72f1777e86710852083e..1495d4e6e03023e7c3e7c24e4efbf85e4681c5da 100644
Binary files a/docs/img/bc93752a335d8985139584678e19a2b9.jpg and b/docs/img/bc93752a335d8985139584678e19a2b9.jpg differ
diff --git a/docs/img/bcbb773f27f65051374518d1d859a486.jpg b/docs/img/bcbb773f27f65051374518d1d859a486.jpg
index 8e9f4ea2b86a27d701bf13510ab2093d6d36d7ba..e343ffe5694ef7c835c0e18dc29920cffc80f787 100644
Binary files a/docs/img/bcbb773f27f65051374518d1d859a486.jpg and b/docs/img/bcbb773f27f65051374518d1d859a486.jpg differ
diff --git a/docs/img/be20ca200667c3c8849b95c4a6aa846e.jpg b/docs/img/be20ca200667c3c8849b95c4a6aa846e.jpg
index 70f671ab4452ee812a6811227caee178fe68b063..f00d0a6d592db8482b1c4e6c28b763c09baa3944 100644
Binary files a/docs/img/be20ca200667c3c8849b95c4a6aa846e.jpg and b/docs/img/be20ca200667c3c8849b95c4a6aa846e.jpg differ
diff --git a/docs/img/be6577fc41adf407960f66d71436521f.jpg b/docs/img/be6577fc41adf407960f66d71436521f.jpg
index 6e8a3a3158745b6bc5a83d43b7dd9c85ddfd74fa..e71b661db71fd0a1a9850b4ae182693c1489f9ed 100644
Binary files a/docs/img/be6577fc41adf407960f66d71436521f.jpg and b/docs/img/be6577fc41adf407960f66d71436521f.jpg differ
diff --git a/docs/img/be698c1c447b1398ee3d4501aef2415c.jpg b/docs/img/be698c1c447b1398ee3d4501aef2415c.jpg
index 07375cf043ffacb4467dab226854d652cccb21c8..fc72c4f15c73971f4c5a892b648e238084a8b313 100644
Binary files a/docs/img/be698c1c447b1398ee3d4501aef2415c.jpg and b/docs/img/be698c1c447b1398ee3d4501aef2415c.jpg differ
diff --git a/docs/img/bea67bf34fcd01d7b6f454ae5f563460.jpg b/docs/img/bea67bf34fcd01d7b6f454ae5f563460.jpg
index 877a903d594b53dc67b63052023b018a639d2f09..36078823f0c6df037da661287d52f3996900dde9 100644
Binary files a/docs/img/bea67bf34fcd01d7b6f454ae5f563460.jpg and b/docs/img/bea67bf34fcd01d7b6f454ae5f563460.jpg differ
diff --git a/docs/img/bfc4c60af4e09992569375d51943de88.jpg b/docs/img/bfc4c60af4e09992569375d51943de88.jpg
index af9b7955715363de38101c9378a99ee41f3940fb..b291b36613f61e339c47034de5a84f94596f27fc 100644
Binary files a/docs/img/bfc4c60af4e09992569375d51943de88.jpg and b/docs/img/bfc4c60af4e09992569375d51943de88.jpg differ
diff --git a/docs/img/c1b2a3e1708607a80c705b690a9c6c5a.jpg b/docs/img/c1b2a3e1708607a80c705b690a9c6c5a.jpg
index f6b43462d93027d6e3c6b3bcbd4c308015f74673..d69430f039363f030d06ac86cd1ce049eb2a29aa 100644
Binary files a/docs/img/c1b2a3e1708607a80c705b690a9c6c5a.jpg and b/docs/img/c1b2a3e1708607a80c705b690a9c6c5a.jpg differ
diff --git a/docs/img/c1be6d813a335d32887cfd051ef9167f.jpg b/docs/img/c1be6d813a335d32887cfd051ef9167f.jpg
index 2c07d6335c587fd5364821a8848d221feababf18..b05445b5567de5d0118017b81c8004395165fdf6 100644
Binary files a/docs/img/c1be6d813a335d32887cfd051ef9167f.jpg and b/docs/img/c1be6d813a335d32887cfd051ef9167f.jpg differ
diff --git a/docs/img/c2c70e8889861b837b4fd45d707a6616.jpg b/docs/img/c2c70e8889861b837b4fd45d707a6616.jpg
index 7c6c6a3c0068b7bd6a6352d27f1f22a2da610ce2..bb57ad69bdfb4b73df6bdff6c7d06286f5d8d922 100644
Binary files a/docs/img/c2c70e8889861b837b4fd45d707a6616.jpg and b/docs/img/c2c70e8889861b837b4fd45d707a6616.jpg differ
diff --git a/docs/img/c32dd39f791f7d395dc47b37e1252b78.jpg b/docs/img/c32dd39f791f7d395dc47b37e1252b78.jpg
index f1f30c17de41707ad5a911ba29c86a27ac0d980e..76cab14e494a7b1c6de4d87a2e10eefee2f96707 100644
Binary files a/docs/img/c32dd39f791f7d395dc47b37e1252b78.jpg and b/docs/img/c32dd39f791f7d395dc47b37e1252b78.jpg differ
diff --git a/docs/img/c3ea6265eaff0a4bfaec2966088cb66f.jpg b/docs/img/c3ea6265eaff0a4bfaec2966088cb66f.jpg
index c84beba84014876c7f9c6e24a050eceaf69f1863..02a47ff9c2aef8c5c9f3b8115258c75002114248 100644
Binary files a/docs/img/c3ea6265eaff0a4bfaec2966088cb66f.jpg and b/docs/img/c3ea6265eaff0a4bfaec2966088cb66f.jpg differ
diff --git a/docs/img/c4a64a553429646fe040a596413d44e4.jpg b/docs/img/c4a64a553429646fe040a596413d44e4.jpg
index 118f87e8261e5f1a760e8ceeda53a4c75a676665..845d04d2ceda55db4ce28b6335e820f0ae6599eb 100644
Binary files a/docs/img/c4a64a553429646fe040a596413d44e4.jpg and b/docs/img/c4a64a553429646fe040a596413d44e4.jpg differ
diff --git a/docs/img/c4e8f173e5519de01ed11bca06911371.jpg b/docs/img/c4e8f173e5519de01ed11bca06911371.jpg
index 2276e5c2f856501971e0cadfea9132582d109669..fc2d0f8934088c6ca8cf3061c778cc743a52b928 100644
Binary files a/docs/img/c4e8f173e5519de01ed11bca06911371.jpg and b/docs/img/c4e8f173e5519de01ed11bca06911371.jpg differ
diff --git a/docs/img/c53a49f5b838d50776627fc8910138ce.jpg b/docs/img/c53a49f5b838d50776627fc8910138ce.jpg
index bab330008105b32877baa681297468d2d4dbceda..582a9b99ad86066de652939a3b477b8c8f64f705 100644
Binary files a/docs/img/c53a49f5b838d50776627fc8910138ce.jpg and b/docs/img/c53a49f5b838d50776627fc8910138ce.jpg differ
diff --git a/docs/img/c5d7ac6e8ae2f2ccf0f40dd4dccda398.jpg b/docs/img/c5d7ac6e8ae2f2ccf0f40dd4dccda398.jpg
index b562b59367c943579d87abfc0643a95ab9e8ca11..c41219c6078ba27539e2b741cd170a41228a4e31 100644
Binary files a/docs/img/c5d7ac6e8ae2f2ccf0f40dd4dccda398.jpg and b/docs/img/c5d7ac6e8ae2f2ccf0f40dd4dccda398.jpg differ
diff --git a/docs/img/c622412b599649be9b4d765223de73f5.jpg b/docs/img/c622412b599649be9b4d765223de73f5.jpg
index 418bd398eba572c6134d592286a401fea3a08902..68a338fd00f1e0a9e48f8c74789d508607705cbc 100644
Binary files a/docs/img/c622412b599649be9b4d765223de73f5.jpg and b/docs/img/c622412b599649be9b4d765223de73f5.jpg differ
diff --git a/docs/img/c65d91122f8de69b16659df5ab31214e.jpg b/docs/img/c65d91122f8de69b16659df5ab31214e.jpg
index 6f59e4c71c6053718789e15d440ce90d8e977817..5c79c8b25a66cc2dc28da4900801536e3a8635ce 100644
Binary files a/docs/img/c65d91122f8de69b16659df5ab31214e.jpg and b/docs/img/c65d91122f8de69b16659df5ab31214e.jpg differ
diff --git a/docs/img/c8197cd6e74c99a9483c72ed6b43a01a.jpg b/docs/img/c8197cd6e74c99a9483c72ed6b43a01a.jpg
index 513df89ed25f08ae7043f999008c4ae280adfd98..e957b18c6390e6a68cae0585ebd95affe6087487 100644
Binary files a/docs/img/c8197cd6e74c99a9483c72ed6b43a01a.jpg and b/docs/img/c8197cd6e74c99a9483c72ed6b43a01a.jpg differ
diff --git a/docs/img/c89bfa6f82af190645b6a97983037d2f.jpg b/docs/img/c89bfa6f82af190645b6a97983037d2f.jpg
index a3903047efd3ef01f8c72dc836a71088131379ba..dec8e319556fade490efe3bfd194956a3398edae 100644
Binary files a/docs/img/c89bfa6f82af190645b6a97983037d2f.jpg and b/docs/img/c89bfa6f82af190645b6a97983037d2f.jpg differ
diff --git a/docs/img/c9a2068151affcefc99a7b280ab0a52b.jpg b/docs/img/c9a2068151affcefc99a7b280ab0a52b.jpg
index 389a4961ba336863af5d6af975ef4df51865871d..0243ed040c621e54250e867f39e6dd5c5a42a927 100644
Binary files a/docs/img/c9a2068151affcefc99a7b280ab0a52b.jpg and b/docs/img/c9a2068151affcefc99a7b280ab0a52b.jpg differ
diff --git a/docs/img/ca19289fa3db7f35bf27fa3f09db128e.jpg b/docs/img/ca19289fa3db7f35bf27fa3f09db128e.jpg
index 6f158c6b36c29face437dbee4d156e5bbc79b3a0..e8bfe1e9b9eca86a87bdb792cff2df8b39a62841 100644
Binary files a/docs/img/ca19289fa3db7f35bf27fa3f09db128e.jpg and b/docs/img/ca19289fa3db7f35bf27fa3f09db128e.jpg differ
diff --git a/docs/img/cc2c3fb8414e50f2d9f95ab073457c23.jpg b/docs/img/cc2c3fb8414e50f2d9f95ab073457c23.jpg
index e58b743b6945585db74ff2bd5161d9d52a2d053f..8541431730ecd4f9a08ad635d69724b964b5277c 100644
Binary files a/docs/img/cc2c3fb8414e50f2d9f95ab073457c23.jpg and b/docs/img/cc2c3fb8414e50f2d9f95ab073457c23.jpg differ
diff --git a/docs/img/cc594c98f73700b14c9817d68ebc89c6.jpg b/docs/img/cc594c98f73700b14c9817d68ebc89c6.jpg
index d853290233ae12b0e9db43a6515e8a62eb856ba1..516a910bd67c85db4dd30006d47574342f50a291 100644
Binary files a/docs/img/cc594c98f73700b14c9817d68ebc89c6.jpg and b/docs/img/cc594c98f73700b14c9817d68ebc89c6.jpg differ
diff --git a/docs/img/ce60a356e2dcd3cbe9cc67f1128c09c7.jpg b/docs/img/ce60a356e2dcd3cbe9cc67f1128c09c7.jpg
index b39552c869658e67f4ee7de5476caa3a12f764f9..5f707571fc298c1cd6a490349d1330385dad82ea 100644
Binary files a/docs/img/ce60a356e2dcd3cbe9cc67f1128c09c7.jpg and b/docs/img/ce60a356e2dcd3cbe9cc67f1128c09c7.jpg differ
diff --git a/docs/img/ced91ab8985cc6cb41a2b85e098f14e4.jpg b/docs/img/ced91ab8985cc6cb41a2b85e098f14e4.jpg
index b4b16959bd143e4da491e4385cd6754379527b10..d7b67ac6a5d0d47297e1b89a8cd38581b77c4883 100644
Binary files a/docs/img/ced91ab8985cc6cb41a2b85e098f14e4.jpg and b/docs/img/ced91ab8985cc6cb41a2b85e098f14e4.jpg differ
diff --git a/docs/img/cf3d8b2d64f574209d01cfe330f3927b.jpg b/docs/img/cf3d8b2d64f574209d01cfe330f3927b.jpg
index bf58141b52927a04d88f2fda480eb8f18d7f63a2..025ab80f9ee373fa7a8dd3664ea120020992bd55 100644
Binary files a/docs/img/cf3d8b2d64f574209d01cfe330f3927b.jpg and b/docs/img/cf3d8b2d64f574209d01cfe330f3927b.jpg differ
diff --git a/docs/img/cf48dc45f5484db58f3d310e434b11a2.jpg b/docs/img/cf48dc45f5484db58f3d310e434b11a2.jpg
index b51e08736029976befc36874e19a2149c3497e0d..f5fc85604ef046007512c7f9d1f321dd03967672 100644
Binary files a/docs/img/cf48dc45f5484db58f3d310e434b11a2.jpg and b/docs/img/cf48dc45f5484db58f3d310e434b11a2.jpg differ
diff --git a/docs/img/cf85bc1dbfbb0399b3008f079b88d570.jpg b/docs/img/cf85bc1dbfbb0399b3008f079b88d570.jpg
index 4b94cc33e7d23161a0c14bd973546191b51fe05e..61ddf8245f2b31c117a6111c4c0f8572ee48c7bb 100644
Binary files a/docs/img/cf85bc1dbfbb0399b3008f079b88d570.jpg and b/docs/img/cf85bc1dbfbb0399b3008f079b88d570.jpg differ
diff --git a/docs/img/d07b38f860b0f58e365e7ea26da8be92.jpg b/docs/img/d07b38f860b0f58e365e7ea26da8be92.jpg
index 0c7d811d89e7d9a9580edaf63749273c76fc2804..8c16370d16875547d3235378563f2c27edbbb732 100644
Binary files a/docs/img/d07b38f860b0f58e365e7ea26da8be92.jpg and b/docs/img/d07b38f860b0f58e365e7ea26da8be92.jpg differ
diff --git a/docs/img/d0ff3115fb5935fe56c1bb8123d5ddce.jpg b/docs/img/d0ff3115fb5935fe56c1bb8123d5ddce.jpg
index 7288fd46891525f2d4b0e62b3393447f8ccb8702..63c0422f21418856e835de63fbb7d59e6747e573 100644
Binary files a/docs/img/d0ff3115fb5935fe56c1bb8123d5ddce.jpg and b/docs/img/d0ff3115fb5935fe56c1bb8123d5ddce.jpg differ
diff --git a/docs/img/d1310bd7e87a8549d1f0b3a1479fc06d.jpg b/docs/img/d1310bd7e87a8549d1f0b3a1479fc06d.jpg
index 2cae8860a71b8bad63de13af42b096feeb057d4f..9e378874cf898996a95ab4be3668500f63a381be 100644
Binary files a/docs/img/d1310bd7e87a8549d1f0b3a1479fc06d.jpg and b/docs/img/d1310bd7e87a8549d1f0b3a1479fc06d.jpg differ
diff --git a/docs/img/d206a78223b0280bfffbfd7cdb262145.jpg b/docs/img/d206a78223b0280bfffbfd7cdb262145.jpg
index 9a8803294b91999a09d6681212b55495e0f8111c..d163d8a993feaabdbd6a9805a337efbceee64d7d 100644
Binary files a/docs/img/d206a78223b0280bfffbfd7cdb262145.jpg and b/docs/img/d206a78223b0280bfffbfd7cdb262145.jpg differ
diff --git a/docs/img/d23d0851c88c12754e0c1e08aac20d01.jpg b/docs/img/d23d0851c88c12754e0c1e08aac20d01.jpg
index 823caa081427605c0eb70b7049b111c37e6cb6e3..842e205ad49629642149f3d72769fbe8a355cff8 100644
Binary files a/docs/img/d23d0851c88c12754e0c1e08aac20d01.jpg and b/docs/img/d23d0851c88c12754e0c1e08aac20d01.jpg differ
diff --git a/docs/img/d23eefa56e1ef945c75b43ab4fc651a4.jpg b/docs/img/d23eefa56e1ef945c75b43ab4fc651a4.jpg
index 74a9b4d7f5eb9b713cbe023bf62043ccf857d695..32f3f6ce776f623c85c9cde0f541f563e713630a 100644
Binary files a/docs/img/d23eefa56e1ef945c75b43ab4fc651a4.jpg and b/docs/img/d23eefa56e1ef945c75b43ab4fc651a4.jpg differ
diff --git a/docs/img/d33f6bf00c0886595c68d970316b0717.jpg b/docs/img/d33f6bf00c0886595c68d970316b0717.jpg
index 7e6bf8fb707628c7b6686d7d1a636e7337d67686..5977abab3237b0db6b70cac04312df4688f9653b 100644
Binary files a/docs/img/d33f6bf00c0886595c68d970316b0717.jpg and b/docs/img/d33f6bf00c0886595c68d970316b0717.jpg differ
diff --git a/docs/img/d36b6251be5569fe2c31daea7543bf8a.jpg b/docs/img/d36b6251be5569fe2c31daea7543bf8a.jpg
index 5ce1d5efaaf6882226564124860c7ba0b32f719f..79d72b0f99e0e037bae5a56eef75c8013801fa93 100644
Binary files a/docs/img/d36b6251be5569fe2c31daea7543bf8a.jpg and b/docs/img/d36b6251be5569fe2c31daea7543bf8a.jpg differ
diff --git a/docs/img/d38d4ad12b16322a5ed00690bcbcd8b6.jpg b/docs/img/d38d4ad12b16322a5ed00690bcbcd8b6.jpg
index 99ad1e0fab3263d6485718d00ee20019e3630446..1ff29a6d773120c679c7d11580e9c43323d08eef 100644
Binary files a/docs/img/d38d4ad12b16322a5ed00690bcbcd8b6.jpg and b/docs/img/d38d4ad12b16322a5ed00690bcbcd8b6.jpg differ
diff --git a/docs/img/d3a9c4026d4ce70e54b250057cd2062b.jpg b/docs/img/d3a9c4026d4ce70e54b250057cd2062b.jpg
index 76f1ea0a45c130ffe8252958a3ddde58e37c505d..ea6b8e6a81ce6b0db7e9d8f4a3c0a2bcdec8a7fb 100644
Binary files a/docs/img/d3a9c4026d4ce70e54b250057cd2062b.jpg and b/docs/img/d3a9c4026d4ce70e54b250057cd2062b.jpg differ
diff --git a/docs/img/d3ac1e2e1f590489ef76341664562f87.jpg b/docs/img/d3ac1e2e1f590489ef76341664562f87.jpg
index 79e41592e423e0372e030cb1716ed16a49380816..ff243a9b4d386f5ba092a37bbe71e185c5cb93a8 100644
Binary files a/docs/img/d3ac1e2e1f590489ef76341664562f87.jpg and b/docs/img/d3ac1e2e1f590489ef76341664562f87.jpg differ
diff --git a/docs/img/d4a4eeea79c55b0ae9d3088746b6503a.jpg b/docs/img/d4a4eeea79c55b0ae9d3088746b6503a.jpg
index fe6f59dc29e35c9ccdb2b2b3b6abf6fee3203a6d..54b9f6d70f776b388218394f41c06b4cff22b862 100644
Binary files a/docs/img/d4a4eeea79c55b0ae9d3088746b6503a.jpg and b/docs/img/d4a4eeea79c55b0ae9d3088746b6503a.jpg differ
diff --git a/docs/img/d642aa20a439141528ed8a872a4822a4.jpg b/docs/img/d642aa20a439141528ed8a872a4822a4.jpg
index 0451818d23f4c7405247b2c0f4b34f2cf0741873..a7dc7251d8c9971f7d2fc0e56f9ab2f5dbeda452 100644
Binary files a/docs/img/d642aa20a439141528ed8a872a4822a4.jpg and b/docs/img/d642aa20a439141528ed8a872a4822a4.jpg differ
diff --git a/docs/img/d7a78945c0ae60bbd5ee9dfef15baba0.jpg b/docs/img/d7a78945c0ae60bbd5ee9dfef15baba0.jpg
index 75a0cb7d2dcc59664f6ecfe4d2d0914c7c1b0310..1bd7aa465455ce7ff02a914747d97d9fab9f78e1 100644
Binary files a/docs/img/d7a78945c0ae60bbd5ee9dfef15baba0.jpg and b/docs/img/d7a78945c0ae60bbd5ee9dfef15baba0.jpg differ
diff --git a/docs/img/d84004bd86dc3645488324a3fbb3b060.jpg b/docs/img/d84004bd86dc3645488324a3fbb3b060.jpg
index 5aed0f2091c3272dbcd485deb67ad444743c880e..9a914263b2fce8032d8ce17a51c4bbe875fc6f01 100644
Binary files a/docs/img/d84004bd86dc3645488324a3fbb3b060.jpg and b/docs/img/d84004bd86dc3645488324a3fbb3b060.jpg differ
diff --git a/docs/img/d9085f52d35beabc56a47c8326aee8cf.jpg b/docs/img/d9085f52d35beabc56a47c8326aee8cf.jpg
index 109ea28181a3603cda3969d459fc15933d3ed638..839324df82cf7b36d6105ceeff8cd00d334acbcf 100644
Binary files a/docs/img/d9085f52d35beabc56a47c8326aee8cf.jpg and b/docs/img/d9085f52d35beabc56a47c8326aee8cf.jpg differ
diff --git a/docs/img/d992e6312a3ed98025ad0913dbc46228.jpg b/docs/img/d992e6312a3ed98025ad0913dbc46228.jpg
index 8bcd0bff12d5babc34595fdf8ce15cae398e30d8..b3660ecedcd13a17b12ce00dece7d38fd33aaaf7 100644
Binary files a/docs/img/d992e6312a3ed98025ad0913dbc46228.jpg and b/docs/img/d992e6312a3ed98025ad0913dbc46228.jpg differ
diff --git a/docs/img/d9dc602fc56dec13039df115c589dd05.jpg b/docs/img/d9dc602fc56dec13039df115c589dd05.jpg
index fc30d84c79d30074ef30afca4ab1baf64511e813..c3aa2add92aa004d6856a6d187476f590c57613a 100644
Binary files a/docs/img/d9dc602fc56dec13039df115c589dd05.jpg and b/docs/img/d9dc602fc56dec13039df115c589dd05.jpg differ
diff --git a/docs/img/da2b66e95b2bbd08f2c58046234e97b1.jpg b/docs/img/da2b66e95b2bbd08f2c58046234e97b1.jpg
index 8e80e191e8ad10ba51d6d1ce55dd96cfb4e8c16f..134c7660a4edb3ec5dc94d51ce6003cfb5b21f3a 100644
Binary files a/docs/img/da2b66e95b2bbd08f2c58046234e97b1.jpg and b/docs/img/da2b66e95b2bbd08f2c58046234e97b1.jpg differ
diff --git a/docs/img/da5c0a4d6279edb54b0bac3bdfe7fed5.jpg b/docs/img/da5c0a4d6279edb54b0bac3bdfe7fed5.jpg
index 4416a6f254f7432defc5d9cd2d00c1978574d07c..c9923b50e62f191110c8b983500b9d4fd17ffd26 100644
Binary files a/docs/img/da5c0a4d6279edb54b0bac3bdfe7fed5.jpg and b/docs/img/da5c0a4d6279edb54b0bac3bdfe7fed5.jpg differ
diff --git a/docs/img/da7ff8019c2f5f473c8c8958fd395e76.jpg b/docs/img/da7ff8019c2f5f473c8c8958fd395e76.jpg
index b8182230a8a634c8dbbec870faa39e6a1ba9c7ac..b5010a2208e218353a1188f8cf67ee1ce0b364f0 100644
Binary files a/docs/img/da7ff8019c2f5f473c8c8958fd395e76.jpg and b/docs/img/da7ff8019c2f5f473c8c8958fd395e76.jpg differ
diff --git a/docs/img/dc21c66a962fb741f9f8f63c0374fae1.jpg b/docs/img/dc21c66a962fb741f9f8f63c0374fae1.jpg
index 61a7ede15cd72f20760f33cd3165d988694000f6..caedb68f20347c769b517ff71700fbd4c59b8ba5 100644
Binary files a/docs/img/dc21c66a962fb741f9f8f63c0374fae1.jpg and b/docs/img/dc21c66a962fb741f9f8f63c0374fae1.jpg differ
diff --git a/docs/img/dc9db2a17529e652fe4c5a187892a2eb.jpg b/docs/img/dc9db2a17529e652fe4c5a187892a2eb.jpg
index 5047a157bf4ea328ef974dccd13d3ef70a1bfc1c..6f4cac7d6107d659c718837679ed4039c4d3cfb2 100644
Binary files a/docs/img/dc9db2a17529e652fe4c5a187892a2eb.jpg and b/docs/img/dc9db2a17529e652fe4c5a187892a2eb.jpg differ
diff --git a/docs/img/dd89a846e99f54ceffc01f58b1545cc1.jpg b/docs/img/dd89a846e99f54ceffc01f58b1545cc1.jpg
index f0bbd55cd96345cce0d6a508ed443c864652494b..27fa218ec9587649667611cba2c1b6e449535509 100644
Binary files a/docs/img/dd89a846e99f54ceffc01f58b1545cc1.jpg and b/docs/img/dd89a846e99f54ceffc01f58b1545cc1.jpg differ
diff --git a/docs/img/ddcf0a83320e56c75f2d5d15ff29c874.jpg b/docs/img/ddcf0a83320e56c75f2d5d15ff29c874.jpg
index f16c031316ca534d40fb9b631bc03ced4a25ee25..9a7c37394185ff90a0976065cd359dd45f406c40 100644
Binary files a/docs/img/ddcf0a83320e56c75f2d5d15ff29c874.jpg and b/docs/img/ddcf0a83320e56c75f2d5d15ff29c874.jpg differ
diff --git a/docs/img/de02eb5b7f92879b7db8e43542d3bef9.jpg b/docs/img/de02eb5b7f92879b7db8e43542d3bef9.jpg
index 8b4355c435b54af30b00a593e6fa7ba102b273e0..2eaefdec34eafd85ec4dcbc110626102bc71a826 100644
Binary files a/docs/img/de02eb5b7f92879b7db8e43542d3bef9.jpg and b/docs/img/de02eb5b7f92879b7db8e43542d3bef9.jpg differ
diff --git a/docs/img/de7d739c3094b9d34a7c69356ed9703f.jpg b/docs/img/de7d739c3094b9d34a7c69356ed9703f.jpg
index 8588ae0c873c925e0d82f7ecca7eef1a5c300889..c83c57e1630dc4351c7a1704ddbd347a7d7bd9bc 100644
Binary files a/docs/img/de7d739c3094b9d34a7c69356ed9703f.jpg and b/docs/img/de7d739c3094b9d34a7c69356ed9703f.jpg differ
diff --git a/docs/img/df43f6b2a11e5c0ee8c60f7ef2962e19.jpg b/docs/img/df43f6b2a11e5c0ee8c60f7ef2962e19.jpg
index bb726084905e640f4ed99ad9c545398e65b7430b..8beb64aaef5b089757e81f80375dc202cae1290f 100644
Binary files a/docs/img/df43f6b2a11e5c0ee8c60f7ef2962e19.jpg and b/docs/img/df43f6b2a11e5c0ee8c60f7ef2962e19.jpg differ
diff --git a/docs/img/df633411e4b51b4749de8c5349b438cc.jpg b/docs/img/df633411e4b51b4749de8c5349b438cc.jpg
index 3cf8edb002b8b464f8c5a2cb07133b90a3f9c173..24eca25988e8913285fd496d5c33bbdaadd65edb 100644
Binary files a/docs/img/df633411e4b51b4749de8c5349b438cc.jpg and b/docs/img/df633411e4b51b4749de8c5349b438cc.jpg differ
diff --git a/docs/img/dfbc2ec93ea21c479448cd2e25976945.jpg b/docs/img/dfbc2ec93ea21c479448cd2e25976945.jpg
index 8e04fc98fab42ddc6f787fe797169d0f4904f07e..23e384eefeaec9c7d31bf20f25f4de8b083b5358 100644
Binary files a/docs/img/dfbc2ec93ea21c479448cd2e25976945.jpg and b/docs/img/dfbc2ec93ea21c479448cd2e25976945.jpg differ
diff --git a/docs/img/e04dba52166d9d9333fcd7d824a3bb02.jpg b/docs/img/e04dba52166d9d9333fcd7d824a3bb02.jpg
index 7c83e19b29f186d47c2e68e8a5283bfc14ab60d5..44742941486177c687f81bc019a0082ab0f8e09b 100644
Binary files a/docs/img/e04dba52166d9d9333fcd7d824a3bb02.jpg and b/docs/img/e04dba52166d9d9333fcd7d824a3bb02.jpg differ
diff --git a/docs/img/e102a295ca812e5085369488cedb3dac.jpg b/docs/img/e102a295ca812e5085369488cedb3dac.jpg
index 07b80df9d7001b592c3da8473c69ecc31c2ad2d4..ef22ecde93632418ad01c86e3ebe3e5227f19a71 100644
Binary files a/docs/img/e102a295ca812e5085369488cedb3dac.jpg and b/docs/img/e102a295ca812e5085369488cedb3dac.jpg differ
diff --git a/docs/img/e1506db895aa2aaa0d7df99cc7d3d4c3.jpg b/docs/img/e1506db895aa2aaa0d7df99cc7d3d4c3.jpg
index f9760a1fead85100af006caae344a91006c44a8e..24f127856ade25228f1839af976b6d827f09ed5c 100644
Binary files a/docs/img/e1506db895aa2aaa0d7df99cc7d3d4c3.jpg and b/docs/img/e1506db895aa2aaa0d7df99cc7d3d4c3.jpg differ
diff --git a/docs/img/e18cb02ed3ad1b91b540951f2912539b.jpg b/docs/img/e18cb02ed3ad1b91b540951f2912539b.jpg
index 4b6f50fe1863263b03b2b1472e0a8fc11b1c9456..e2c06032965f60951ef4e240ea7234f09b36d888 100644
Binary files a/docs/img/e18cb02ed3ad1b91b540951f2912539b.jpg and b/docs/img/e18cb02ed3ad1b91b540951f2912539b.jpg differ
diff --git a/docs/img/e2261011757746831cd8de1e799bf2e5.jpg b/docs/img/e2261011757746831cd8de1e799bf2e5.jpg
index f46ec22f035a8755947bcf8851a2f9622c5ca751..4586453ce98c9d825b8256c991dd62452a8947fb 100644
Binary files a/docs/img/e2261011757746831cd8de1e799bf2e5.jpg and b/docs/img/e2261011757746831cd8de1e799bf2e5.jpg differ
diff --git a/docs/img/e28bcf9d1f72aedbb18ec128da502f35.jpg b/docs/img/e28bcf9d1f72aedbb18ec128da502f35.jpg
index 4ae266735eedfe958ae6e46558486f49fac5294e..73ef005a7d02b72ae37ea36cfaecb28ccf0fe35b 100644
Binary files a/docs/img/e28bcf9d1f72aedbb18ec128da502f35.jpg and b/docs/img/e28bcf9d1f72aedbb18ec128da502f35.jpg differ
diff --git a/docs/img/e369a8cb7348d971f2471d297addf456.jpg b/docs/img/e369a8cb7348d971f2471d297addf456.jpg
index 5cbc6cc65c7c8c93c70ee6f2080f45151cdf3eb1..23d35bed9c3ead5ff7efe7b12d39c009742dcf33 100644
Binary files a/docs/img/e369a8cb7348d971f2471d297addf456.jpg and b/docs/img/e369a8cb7348d971f2471d297addf456.jpg differ
diff --git a/docs/img/e4e79afcca0586e526385c901b5cf806.jpg b/docs/img/e4e79afcca0586e526385c901b5cf806.jpg
index 1bfaec29aa141a5fd52c0460110d771f0f276d29..c1e0b045747bdba0eead2d208dd990c5c3ed7f89 100644
Binary files a/docs/img/e4e79afcca0586e526385c901b5cf806.jpg and b/docs/img/e4e79afcca0586e526385c901b5cf806.jpg differ
diff --git a/docs/img/e558f322ef6826a8b67e10ff25919759.jpg b/docs/img/e558f322ef6826a8b67e10ff25919759.jpg
index a81dfbac8f34b62cebae9f43925a25f247c8bca8..dfba99c5b1ebeb76514d75b7c8a23a6e3b4bda77 100644
Binary files a/docs/img/e558f322ef6826a8b67e10ff25919759.jpg and b/docs/img/e558f322ef6826a8b67e10ff25919759.jpg differ
diff --git a/docs/img/e576eaf00adad68b231a4c2b8845d6e0.jpg b/docs/img/e576eaf00adad68b231a4c2b8845d6e0.jpg
index 085f4c7f1e383604ffb6b639b96f9d5dfc8ea6ce..45cca6db1564b14e9baab627520c72d7e9a7019d 100644
Binary files a/docs/img/e576eaf00adad68b231a4c2b8845d6e0.jpg and b/docs/img/e576eaf00adad68b231a4c2b8845d6e0.jpg differ
diff --git a/docs/img/e6b76ab1dc666e53ba77d9784aa8d168.jpg b/docs/img/e6b76ab1dc666e53ba77d9784aa8d168.jpg
index f986818af547c91c0713e6767e9690af6daddfe8..555cde00f861d203ac2c50ac629cfecc1be6e2c6 100644
Binary files a/docs/img/e6b76ab1dc666e53ba77d9784aa8d168.jpg and b/docs/img/e6b76ab1dc666e53ba77d9784aa8d168.jpg differ
diff --git a/docs/img/e6f2f0c866185be9801d43c59f348826.jpg b/docs/img/e6f2f0c866185be9801d43c59f348826.jpg
index a3293ef3424ceff0102aff388e1f7cbf8c768d54..e4244a3c8fffb407d51a02b85811b95b22cdc539 100644
Binary files a/docs/img/e6f2f0c866185be9801d43c59f348826.jpg and b/docs/img/e6f2f0c866185be9801d43c59f348826.jpg differ
diff --git a/docs/img/e8fa81696195ce058546e429317075bc.jpg b/docs/img/e8fa81696195ce058546e429317075bc.jpg
index 363c6055c15377a5945d891dae46d291ca675ddd..60fe5bc8b9107f9b94774a5bc395e7ff11f5f71e 100644
Binary files a/docs/img/e8fa81696195ce058546e429317075bc.jpg and b/docs/img/e8fa81696195ce058546e429317075bc.jpg differ
diff --git a/docs/img/e91e31fb6bd4af0c4a7726101c5498d5.jpg b/docs/img/e91e31fb6bd4af0c4a7726101c5498d5.jpg
index f773d91f83127553a3ff982546ee5d78a72f78a4..0e03452a76f9545cd003dc4a51b875c28bb647df 100644
Binary files a/docs/img/e91e31fb6bd4af0c4a7726101c5498d5.jpg and b/docs/img/e91e31fb6bd4af0c4a7726101c5498d5.jpg differ
diff --git a/docs/img/e992687c669c1747d5f18ff4d5e6457d.jpg b/docs/img/e992687c669c1747d5f18ff4d5e6457d.jpg
index 7941807594312a64064bad1fb27ad801b9802194..43b9e95c643df7cb9e8c06eeb24f32b42eac17d5 100644
Binary files a/docs/img/e992687c669c1747d5f18ff4d5e6457d.jpg and b/docs/img/e992687c669c1747d5f18ff4d5e6457d.jpg differ
diff --git a/docs/img/ea6e78ca63d3d86dece589f475f2338d.jpg b/docs/img/ea6e78ca63d3d86dece589f475f2338d.jpg
index 17975c098b9ddbb0f9139a2346df5d3f2c8a111d..40a32e4f9e2b97b77693c1556207067886e48075 100644
Binary files a/docs/img/ea6e78ca63d3d86dece589f475f2338d.jpg and b/docs/img/ea6e78ca63d3d86dece589f475f2338d.jpg differ
diff --git a/docs/img/ea7362d005109093ddfe7d7a0039a13e.jpg b/docs/img/ea7362d005109093ddfe7d7a0039a13e.jpg
index dd71a24f069b24214b94d7f96fbe302af6aadd9b..3c09556c86215bf3d8038e2672f438a94caba3e9 100644
Binary files a/docs/img/ea7362d005109093ddfe7d7a0039a13e.jpg and b/docs/img/ea7362d005109093ddfe7d7a0039a13e.jpg differ
diff --git a/docs/img/ea7a65c02fd53e88da3b411bce44613e.jpg b/docs/img/ea7a65c02fd53e88da3b411bce44613e.jpg
index df2458ca2c4f475f332a3fe1260c7ab96270c06a..a5cb7bd8744785a4d8f5e3d5b3ed27dddea466ce 100644
Binary files a/docs/img/ea7a65c02fd53e88da3b411bce44613e.jpg and b/docs/img/ea7a65c02fd53e88da3b411bce44613e.jpg differ
diff --git a/docs/img/eaa5d2a866409544e7f4f2f2b484e4f5.jpg b/docs/img/eaa5d2a866409544e7f4f2f2b484e4f5.jpg
index d1c38835eabe05c95b8a1e709fc597943b0ff562..a766d5fe83c10f77bf1bdc6dbba2c75d2aef30df 100644
Binary files a/docs/img/eaa5d2a866409544e7f4f2f2b484e4f5.jpg and b/docs/img/eaa5d2a866409544e7f4f2f2b484e4f5.jpg differ
diff --git a/docs/img/eac4541fd6a3e7b30eb535e0a1aab99f.jpg b/docs/img/eac4541fd6a3e7b30eb535e0a1aab99f.jpg
index 7252ba4f4c79e607ad613dda04f31821b83d2578..7330c164d3a0e851d95b2b605a20170ec8731ce7 100644
Binary files a/docs/img/eac4541fd6a3e7b30eb535e0a1aab99f.jpg and b/docs/img/eac4541fd6a3e7b30eb535e0a1aab99f.jpg differ
diff --git a/docs/img/eb0843cd39205e7144eb4acdf1b8356d.jpg b/docs/img/eb0843cd39205e7144eb4acdf1b8356d.jpg
index 8cf854bb83e3ca5d30bb2a1e56a9c736fe09d3b3..f4315eeeccbcb0fb330db03f8c2c38110171352b 100644
Binary files a/docs/img/eb0843cd39205e7144eb4acdf1b8356d.jpg and b/docs/img/eb0843cd39205e7144eb4acdf1b8356d.jpg differ
diff --git a/docs/img/eb118f7308dc5e81aa3ed5b5524a1182.jpg b/docs/img/eb118f7308dc5e81aa3ed5b5524a1182.jpg
index 3d74822a43cc5f837e348f3da44a9639a843fda2..3b1c3595f631bc95b7baec0911a100a3cc00417d 100644
Binary files a/docs/img/eb118f7308dc5e81aa3ed5b5524a1182.jpg and b/docs/img/eb118f7308dc5e81aa3ed5b5524a1182.jpg differ
diff --git a/docs/img/ec42ca3d421c2355f3f6ef3ce2b26cfe.jpg b/docs/img/ec42ca3d421c2355f3f6ef3ce2b26cfe.jpg
index 9df49ab11f5c34057a9d19c777fbb45267e04fe8..35225e1c12fd9b8b2cbe7bedd8dfa9bd5d9b7413 100644
Binary files a/docs/img/ec42ca3d421c2355f3f6ef3ce2b26cfe.jpg and b/docs/img/ec42ca3d421c2355f3f6ef3ce2b26cfe.jpg differ
diff --git a/docs/img/ed002aaba578f2b1a6ae8d4677a52900.jpg b/docs/img/ed002aaba578f2b1a6ae8d4677a52900.jpg
index 6ddbac0ff9a12a9ecd90900f78ae0b707631d659..6a08ddb2c462767d1ff1b48d8c2eefc70d121f35 100644
Binary files a/docs/img/ed002aaba578f2b1a6ae8d4677a52900.jpg and b/docs/img/ed002aaba578f2b1a6ae8d4677a52900.jpg differ
diff --git a/docs/img/ed897fd7956612dbde4cb1f80e874a54.jpg b/docs/img/ed897fd7956612dbde4cb1f80e874a54.jpg
index f57d073d3fcf3456f3b1564de0a5a11998176ec2..854fecad65149137a0a14c51385c03385faad61f 100644
Binary files a/docs/img/ed897fd7956612dbde4cb1f80e874a54.jpg and b/docs/img/ed897fd7956612dbde4cb1f80e874a54.jpg differ
diff --git a/docs/img/edd1fe3b83d3ec7ff2a1310bc2b87b8c.jpg b/docs/img/edd1fe3b83d3ec7ff2a1310bc2b87b8c.jpg
index 6c5ebe15ad37ae29096929c6f93e30168d3221cc..0ea9c21cbe11ff753b5482d2d88540965f09a8dd 100644
Binary files a/docs/img/edd1fe3b83d3ec7ff2a1310bc2b87b8c.jpg and b/docs/img/edd1fe3b83d3ec7ff2a1310bc2b87b8c.jpg differ
diff --git a/docs/img/edfd168858231883b7e55e685f2f4e0d.jpg b/docs/img/edfd168858231883b7e55e685f2f4e0d.jpg
index 951bfb9505021d89253913523e3debdd18f2c980..b0c97544ec19743b193dcf34c124f6563875dbaa 100644
Binary files a/docs/img/edfd168858231883b7e55e685f2f4e0d.jpg and b/docs/img/edfd168858231883b7e55e685f2f4e0d.jpg differ
diff --git a/docs/img/ee99e47d6e0d2262037bca2e7fdb9772.jpg b/docs/img/ee99e47d6e0d2262037bca2e7fdb9772.jpg
index 510ff136258f328a8174a1ab32e2e45feee02db7..4f739e0b78cfe0f3aebfe2b0686046ae5d482933 100644
Binary files a/docs/img/ee99e47d6e0d2262037bca2e7fdb9772.jpg and b/docs/img/ee99e47d6e0d2262037bca2e7fdb9772.jpg differ
diff --git a/docs/img/eeb77dac6d8f76d9f715476ce03773c5.jpg b/docs/img/eeb77dac6d8f76d9f715476ce03773c5.jpg
index 10e585d848163192f420924372bdbefbf7ba4f8c..73b36465c4d0a7a8b72031405900e8704c872cbc 100644
Binary files a/docs/img/eeb77dac6d8f76d9f715476ce03773c5.jpg and b/docs/img/eeb77dac6d8f76d9f715476ce03773c5.jpg differ
diff --git a/docs/img/eed42ab8c9334459069ea90987d5a184.jpg b/docs/img/eed42ab8c9334459069ea90987d5a184.jpg
index a70f86cb3df163469b6cdce54a77ea1c7775bc8d..38e773e1b0acdcc8c729298ef407ff1d7875d5b5 100644
Binary files a/docs/img/eed42ab8c9334459069ea90987d5a184.jpg and b/docs/img/eed42ab8c9334459069ea90987d5a184.jpg differ
diff --git a/docs/img/ef011fca38d3c55dde21ee8363e93e61.jpg b/docs/img/ef011fca38d3c55dde21ee8363e93e61.jpg
index 31d75e3feb05967bf90d1b4d1cd0147a9b82dd1a..5177902a51a1b2ecc28c9b3a10fce82ddd4e9087 100644
Binary files a/docs/img/ef011fca38d3c55dde21ee8363e93e61.jpg and b/docs/img/ef011fca38d3c55dde21ee8363e93e61.jpg differ
diff --git a/docs/img/ef47abe0a6cdede1f181c16d59bd3fe0.jpg b/docs/img/ef47abe0a6cdede1f181c16d59bd3fe0.jpg
index efe854d74a7dd7e198249e9357c1a8dc348e17ad..ccbf1fb41a6a83605be32cbbf8e7e2016cd1075f 100644
Binary files a/docs/img/ef47abe0a6cdede1f181c16d59bd3fe0.jpg and b/docs/img/ef47abe0a6cdede1f181c16d59bd3fe0.jpg differ
diff --git a/docs/img/ef97d95b2084af9b8636c2514545289d.jpg b/docs/img/ef97d95b2084af9b8636c2514545289d.jpg
index 3a9521e736b0c06303616048c2cb6d0187d622c5..27a7897f018870d2a1ed1a5dc53b33643de88eda 100644
Binary files a/docs/img/ef97d95b2084af9b8636c2514545289d.jpg and b/docs/img/ef97d95b2084af9b8636c2514545289d.jpg differ
diff --git a/docs/img/efc3bf2e49e981db42de96bfa2fbf3c3.jpg b/docs/img/efc3bf2e49e981db42de96bfa2fbf3c3.jpg
index 3ed77a07eed26884dacf1076d36786d27c0f9b2d..2c903eff7a9c7337eff88a3dad0f2129d3c07768 100644
Binary files a/docs/img/efc3bf2e49e981db42de96bfa2fbf3c3.jpg and b/docs/img/efc3bf2e49e981db42de96bfa2fbf3c3.jpg differ
diff --git a/docs/img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg b/docs/img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg
index d792712b403d6f84a4a853606ea1fae444286b8f..88208f4e4604696abbe742b56caacc3cc8506b96 100644
Binary files a/docs/img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg and b/docs/img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg differ
diff --git a/docs/img/f0eb41dc444960d4e07f9de19e5e8568.jpg b/docs/img/f0eb41dc444960d4e07f9de19e5e8568.jpg
index 0fdffc810b2e0713cb518c328b252be7a6a6dfc3..cad851d5ca8e7cf2e5cb7805dc66decf80eec997 100644
Binary files a/docs/img/f0eb41dc444960d4e07f9de19e5e8568.jpg and b/docs/img/f0eb41dc444960d4e07f9de19e5e8568.jpg differ
diff --git a/docs/img/f14f4331afb42bd5512f2c24a5140604.jpg b/docs/img/f14f4331afb42bd5512f2c24a5140604.jpg
index 78fb05057734344dbd2808508d518314fb2ad520..bd2293d08ce588dcd64f3819d20f030dbce78fda 100644
Binary files a/docs/img/f14f4331afb42bd5512f2c24a5140604.jpg and b/docs/img/f14f4331afb42bd5512f2c24a5140604.jpg differ
diff --git a/docs/img/f153ef2783202a95337d9ea723fe2984.jpg b/docs/img/f153ef2783202a95337d9ea723fe2984.jpg
index d1596c29f0c22effa0e4d438e4b610c01dd3bd17..a3f5a94feee8815b152b57fd698a07c7ad66c08d 100644
Binary files a/docs/img/f153ef2783202a95337d9ea723fe2984.jpg and b/docs/img/f153ef2783202a95337d9ea723fe2984.jpg differ
diff --git a/docs/img/f35d431e80f906b39aa82e1bd8390361.jpg b/docs/img/f35d431e80f906b39aa82e1bd8390361.jpg
index 24e6d792ca785a13c290aff03d98ff1e0b68ee20..4280257ae4f233713340fe402a216b36d7364f81 100644
Binary files a/docs/img/f35d431e80f906b39aa82e1bd8390361.jpg and b/docs/img/f35d431e80f906b39aa82e1bd8390361.jpg differ
diff --git a/docs/img/f41526e37f8f11614ea339da0e242c51.jpg b/docs/img/f41526e37f8f11614ea339da0e242c51.jpg
index 747d650ad426684231e876f73c7e167f04e2b5af..ee9d530d5cc4c2d285720999eae8ce5a2ce43e27 100644
Binary files a/docs/img/f41526e37f8f11614ea339da0e242c51.jpg and b/docs/img/f41526e37f8f11614ea339da0e242c51.jpg differ
diff --git a/docs/img/f54e97484ce6dfcae6e1ceafe18503af.jpg b/docs/img/f54e97484ce6dfcae6e1ceafe18503af.jpg
index c1e295b68f14a5992005050747d9d0e94cf78a8d..138b261b092442df0d7249532c0b0f8eacba0981 100644
Binary files a/docs/img/f54e97484ce6dfcae6e1ceafe18503af.jpg and b/docs/img/f54e97484ce6dfcae6e1ceafe18503af.jpg differ
diff --git a/docs/img/f5eb9519edb052868537ca9735f0f8df.jpg b/docs/img/f5eb9519edb052868537ca9735f0f8df.jpg
index 321760bae909f530cded03418917096528c3b07a..a762c0d42207a089e908a6acaf29b77b8d90be40 100644
Binary files a/docs/img/f5eb9519edb052868537ca9735f0f8df.jpg and b/docs/img/f5eb9519edb052868537ca9735f0f8df.jpg differ
diff --git a/docs/img/f675cc14d11fb5585e5b1829cb29b569.jpg b/docs/img/f675cc14d11fb5585e5b1829cb29b569.jpg
index 6f1217a0f04937a2e2902e2174fe5615b37c7964..7a289c656f9056d9bc148c98ac1d9725fc9504bc 100644
Binary files a/docs/img/f675cc14d11fb5585e5b1829cb29b569.jpg and b/docs/img/f675cc14d11fb5585e5b1829cb29b569.jpg differ
diff --git a/docs/img/f683b3bba7ec2d231b917ed55aa858d1.jpg b/docs/img/f683b3bba7ec2d231b917ed55aa858d1.jpg
index 6a91f52a64f90f10c069a1a9e93c21e81cc24e75..bde96fcd18f9757acb0c9fb44b72d60aa0205b21 100644
Binary files a/docs/img/f683b3bba7ec2d231b917ed55aa858d1.jpg and b/docs/img/f683b3bba7ec2d231b917ed55aa858d1.jpg differ
diff --git a/docs/img/f6baefd0e5308da156602144fc329c25.jpg b/docs/img/f6baefd0e5308da156602144fc329c25.jpg
index 9ee8c988c573e4b10d2a53dc015a89204539ed40..1903b72ff14765d5a50d1dd1fb546ad2ea136e25 100644
Binary files a/docs/img/f6baefd0e5308da156602144fc329c25.jpg and b/docs/img/f6baefd0e5308da156602144fc329c25.jpg differ
diff --git a/docs/img/f6d3d4030bc93eefcb054749cf90c36b.jpg b/docs/img/f6d3d4030bc93eefcb054749cf90c36b.jpg
index e1328c36c5378fa4d40dda537470dc527427a8c2..ba5d35f48b143eac9627ad1d42de04fddf129db7 100644
Binary files a/docs/img/f6d3d4030bc93eefcb054749cf90c36b.jpg and b/docs/img/f6d3d4030bc93eefcb054749cf90c36b.jpg differ
diff --git a/docs/img/f7075e926868bca0186de8da2f906ed9.jpg b/docs/img/f7075e926868bca0186de8da2f906ed9.jpg
index abc7a095102f8501604447bbf09d89aba0fd4565..4794f43ed9ddf861fa3698c832c79e9393e877df 100644
Binary files a/docs/img/f7075e926868bca0186de8da2f906ed9.jpg and b/docs/img/f7075e926868bca0186de8da2f906ed9.jpg differ
diff --git a/docs/img/f7331a33eaedf9eae59191642f7a64e4.jpg b/docs/img/f7331a33eaedf9eae59191642f7a64e4.jpg
index adf98fe975b3bda0d590cb6c6e3160950b92cb23..2802d08f652100dc6e665d6046fface5006ec014 100644
Binary files a/docs/img/f7331a33eaedf9eae59191642f7a64e4.jpg and b/docs/img/f7331a33eaedf9eae59191642f7a64e4.jpg differ
diff --git a/docs/img/f75155883ce7680f1cb7dd12b351992b.jpg b/docs/img/f75155883ce7680f1cb7dd12b351992b.jpg
index afe4078f726358bfb0ccdfa924d35c8934ac93f5..734f2a63b6a8355515b0f6492a44f4a4e4c6d307 100644
Binary files a/docs/img/f75155883ce7680f1cb7dd12b351992b.jpg and b/docs/img/f75155883ce7680f1cb7dd12b351992b.jpg differ
diff --git a/docs/img/f758b47e18df4e0b8e31c3a3fb9a1634.jpg b/docs/img/f758b47e18df4e0b8e31c3a3fb9a1634.jpg
index fffcbe65b14f1efe2e7a44d00a57617bb0a46ea6..c979211583161828df62b8cad8a7d2fbc34662d3 100644
Binary files a/docs/img/f758b47e18df4e0b8e31c3a3fb9a1634.jpg and b/docs/img/f758b47e18df4e0b8e31c3a3fb9a1634.jpg differ
diff --git a/docs/img/f7c110a02ff0dffcc8a6c88582b45b70.jpg b/docs/img/f7c110a02ff0dffcc8a6c88582b45b70.jpg
index d904313b0fe320b82aa4f0b6ac013e63cc4c087c..18c6da6c3ca28c741b61b8f6f6a260533c502895 100644
Binary files a/docs/img/f7c110a02ff0dffcc8a6c88582b45b70.jpg and b/docs/img/f7c110a02ff0dffcc8a6c88582b45b70.jpg differ
diff --git a/docs/img/f7ed7c41c4e6dbed729d2a3ea8e2d0ff.jpg b/docs/img/f7ed7c41c4e6dbed729d2a3ea8e2d0ff.jpg
index 31b84697febfef3552ad54aba015d016e19b138c..6686f66cad30e4b17af62e690a25c83d12cee0f4 100644
Binary files a/docs/img/f7ed7c41c4e6dbed729d2a3ea8e2d0ff.jpg and b/docs/img/f7ed7c41c4e6dbed729d2a3ea8e2d0ff.jpg differ
diff --git a/docs/img/f82003c5544990262fe9a61a131d93ef.jpg b/docs/img/f82003c5544990262fe9a61a131d93ef.jpg
index 136fa397bc6feb2778caa78db0c8d583ac163640..08d356ddd8a0acf77ee40c25fddb4e26d846ba9f 100644
Binary files a/docs/img/f82003c5544990262fe9a61a131d93ef.jpg and b/docs/img/f82003c5544990262fe9a61a131d93ef.jpg differ
diff --git a/docs/img/f91976efc3d73db2b134c57ba7dd86f3.jpg b/docs/img/f91976efc3d73db2b134c57ba7dd86f3.jpg
index 988d9e127c23aae37876bd8174ec55bee26405b7..890371765204aa0c08d59d8226f2747d154264ad 100644
Binary files a/docs/img/f91976efc3d73db2b134c57ba7dd86f3.jpg and b/docs/img/f91976efc3d73db2b134c57ba7dd86f3.jpg differ
diff --git a/docs/img/f984c858bd63441ea9761d632cb76d2c.jpg b/docs/img/f984c858bd63441ea9761d632cb76d2c.jpg
index edd86fcf50e1f057d6ad2d4ac9623c87dadc05e8..9951c8f3d4e66af65e9b4c5ba96b858e52237b57 100644
Binary files a/docs/img/f984c858bd63441ea9761d632cb76d2c.jpg and b/docs/img/f984c858bd63441ea9761d632cb76d2c.jpg differ
diff --git a/docs/img/f9f6dd93a512624527b38dcc26d97e37.jpg b/docs/img/f9f6dd93a512624527b38dcc26d97e37.jpg
index 045e73010dc7c901c8e0fdcc9a8a545d6616fd49..fa75e53f61e1843b4241ef1244b9e833da3d9fd2 100644
Binary files a/docs/img/f9f6dd93a512624527b38dcc26d97e37.jpg and b/docs/img/f9f6dd93a512624527b38dcc26d97e37.jpg differ
diff --git a/docs/img/fa99a0a13450712a4f2b13d983b1e766.jpg b/docs/img/fa99a0a13450712a4f2b13d983b1e766.jpg
index 4a7d8e46707fce41e4f7da59d9c1ce9a4247e5c5..28c9e906bd81c815cc9b9d1b2d17cd05f3301317 100644
Binary files a/docs/img/fa99a0a13450712a4f2b13d983b1e766.jpg and b/docs/img/fa99a0a13450712a4f2b13d983b1e766.jpg differ
diff --git a/docs/img/fac6ba03c6573e299e4eee00c32999fb.jpg b/docs/img/fac6ba03c6573e299e4eee00c32999fb.jpg
index b4a389a1a8795990c7178551018d1bdb28bf4306..12dcba6e11f7cb8498d00b6a007f6f0ec62ae5d2 100644
Binary files a/docs/img/fac6ba03c6573e299e4eee00c32999fb.jpg and b/docs/img/fac6ba03c6573e299e4eee00c32999fb.jpg differ
diff --git a/docs/img/fad2cab7c30663b1f48e1015ad10f310.jpg b/docs/img/fad2cab7c30663b1f48e1015ad10f310.jpg
index 47f87c97bdc037ab2b7783e7a4229eab4dfb6924..cb212d47bb39efd3400b9b6bbb149c304f663eed 100644
Binary files a/docs/img/fad2cab7c30663b1f48e1015ad10f310.jpg and b/docs/img/fad2cab7c30663b1f48e1015ad10f310.jpg differ
diff --git a/docs/img/fb3de8051b91bb0be2143717f96c0a7c.jpg b/docs/img/fb3de8051b91bb0be2143717f96c0a7c.jpg
index c9f3c2b3ef8cf6052dcfd69cd6dfb441db3f86a2..ead71b088dc712040383c1fce669e2b8097e086f 100644
Binary files a/docs/img/fb3de8051b91bb0be2143717f96c0a7c.jpg and b/docs/img/fb3de8051b91bb0be2143717f96c0a7c.jpg differ
diff --git a/docs/img/fb741f69016b77f7e6a93fc12ad8420c.jpg b/docs/img/fb741f69016b77f7e6a93fc12ad8420c.jpg
index 4fdea598439680048a694179449942261fc20ae8..21b3e48157ad095f76d1fe08f31c189c595940b4 100644
Binary files a/docs/img/fb741f69016b77f7e6a93fc12ad8420c.jpg and b/docs/img/fb741f69016b77f7e6a93fc12ad8420c.jpg differ
diff --git a/docs/img/fcc8ab8bf79674eb14cd31eead15dfd1.jpg b/docs/img/fcc8ab8bf79674eb14cd31eead15dfd1.jpg
index c269a3e3a7f3e1d9f197b35ea9d617a49c402b20..7152e963f9bf46a553d7980b08ac61ca46fcd016 100644
Binary files a/docs/img/fcc8ab8bf79674eb14cd31eead15dfd1.jpg and b/docs/img/fcc8ab8bf79674eb14cd31eead15dfd1.jpg differ
diff --git a/docs/img/fce6798715088ab4d9f615ae89a67b2c.jpg b/docs/img/fce6798715088ab4d9f615ae89a67b2c.jpg
index f961463bf395dfc7e44883448cdfdd8ba50fb678..99553df16f37e5b4fdbd0edd585024effa0153d6 100644
Binary files a/docs/img/fce6798715088ab4d9f615ae89a67b2c.jpg and b/docs/img/fce6798715088ab4d9f615ae89a67b2c.jpg differ
diff --git a/docs/img/fce8e5a984297be3f6f8b5d4c5369a78.jpg b/docs/img/fce8e5a984297be3f6f8b5d4c5369a78.jpg
index 0cbe9c613d148f7edaefcf375a4e77461d72acbf..d268ed4ba52426a0e31fedd7ee41fe142dbec934 100644
Binary files a/docs/img/fce8e5a984297be3f6f8b5d4c5369a78.jpg and b/docs/img/fce8e5a984297be3f6f8b5d4c5369a78.jpg differ
diff --git a/docs/img/fd8b7fa16dccb291fe1a2148a45e3eba.jpg b/docs/img/fd8b7fa16dccb291fe1a2148a45e3eba.jpg
index 621e40321bf83e2c3d0df6e90c3f4105f47495ea..890f76168bc25f548947ccc97cc285fdd96e208b 100644
Binary files a/docs/img/fd8b7fa16dccb291fe1a2148a45e3eba.jpg and b/docs/img/fd8b7fa16dccb291fe1a2148a45e3eba.jpg differ
diff --git a/docs/img/fdcac2831e87bea8b0a208095eb15adc.jpg b/docs/img/fdcac2831e87bea8b0a208095eb15adc.jpg
index 9719fc21d7ed29a9b871be9432af3ce5505ed589..419715a57bf7eaafd857a502eaf112830b9af4d7 100644
Binary files a/docs/img/fdcac2831e87bea8b0a208095eb15adc.jpg and b/docs/img/fdcac2831e87bea8b0a208095eb15adc.jpg differ
diff --git a/docs/img/fde16964145ae355ddbbeae37728260a.jpg b/docs/img/fde16964145ae355ddbbeae37728260a.jpg
index dbfbefc5942edd66bd3ac68bcb411f4b79458b74..236d5ec5a6c3b38afbe4e0eb0c96d2b923dd17f0 100644
Binary files a/docs/img/fde16964145ae355ddbbeae37728260a.jpg and b/docs/img/fde16964145ae355ddbbeae37728260a.jpg differ
diff --git a/docs/img/fe7b4873c67199b180714300c4b65def.jpg b/docs/img/fe7b4873c67199b180714300c4b65def.jpg
index 2d79a05ab15f611f5ea33eb19d83c2140f766a72..f2bd8f873d5351e580475807c4e7fa25d3799e2a 100644
Binary files a/docs/img/fe7b4873c67199b180714300c4b65def.jpg and b/docs/img/fe7b4873c67199b180714300c4b65def.jpg differ
diff --git a/docs/img/fe9b97ad8c3e66c3a2514249fcd62ee6.jpg b/docs/img/fe9b97ad8c3e66c3a2514249fcd62ee6.jpg
index b67019d2734cce62fd62f125bffe05516cee110e..b620731e93c3f36d4ea1f13a31d6d94f0917b897 100644
Binary files a/docs/img/fe9b97ad8c3e66c3a2514249fcd62ee6.jpg and b/docs/img/fe9b97ad8c3e66c3a2514249fcd62ee6.jpg differ
diff --git a/docs/img/fea324aca2ed4416872749b8352a5412.jpg b/docs/img/fea324aca2ed4416872749b8352a5412.jpg
index 5a3c343300131506b8f5520422caa8384b95eaf7..ba279f44f00bb132daaecbc99e0576677abd8b2f 100644
Binary files a/docs/img/fea324aca2ed4416872749b8352a5412.jpg and b/docs/img/fea324aca2ed4416872749b8352a5412.jpg differ
diff --git a/docs/img/ff09acb1a4ecf2c617aa1323f8894fe5.jpg b/docs/img/ff09acb1a4ecf2c617aa1323f8894fe5.jpg
index 7438455690e0671da6e89263205324c8c0f6fa3c..98f08c280a99c6b8c09d90c722bc505e7031751f 100644
Binary files a/docs/img/ff09acb1a4ecf2c617aa1323f8894fe5.jpg and b/docs/img/ff09acb1a4ecf2c617aa1323f8894fe5.jpg differ
diff --git a/docs/img/ff165b205839381bf1fa11c2df3d176d.jpg b/docs/img/ff165b205839381bf1fa11c2df3d176d.jpg
index be1259fb6b43280038d3695e72c1d92b54ae07c3..426ceeb95709bc6e0adb284275c8eae7138a701f 100644
Binary files a/docs/img/ff165b205839381bf1fa11c2df3d176d.jpg and b/docs/img/ff165b205839381bf1fa11c2df3d176d.jpg differ
diff --git a/docs/img/ff513e6aaa65c95e4855ad207cee0757.jpg b/docs/img/ff513e6aaa65c95e4855ad207cee0757.jpg
index 6fb0d0473592abc6f59a33f906d5df4899595678..b4ad3f6852ed87fd46661c6201c579dab5199ae4 100644
Binary files a/docs/img/ff513e6aaa65c95e4855ad207cee0757.jpg and b/docs/img/ff513e6aaa65c95e4855ad207cee0757.jpg differ
diff --git a/docs/img/ff58dc3588f11a9e3f9291926a0c86ff.jpg b/docs/img/ff58dc3588f11a9e3f9291926a0c86ff.jpg
index 1b1977fbdd7f997f30ef749a30f650a64db4ff64..411c5c72a448f0e1a8ba69138a51b2742f4c3be2 100644
Binary files a/docs/img/ff58dc3588f11a9e3f9291926a0c86ff.jpg and b/docs/img/ff58dc3588f11a9e3f9291926a0c86ff.jpg differ